基于一维卷积神经网络的加密单数据包分类

摘要

针对基于卷积神经网络的流量分类方法中流量数据范围选取会直接影响精度结果的问题,提出了基于一维卷积神经网络的加密单数据包分类算法。通过提取出五元组和应用层数据信息形成特定格式的样本数据,最大最小归一化处理后作为一维卷积神经网络的输入,实现对单个流量数据包分类;然后对经典一维卷积神经网络结构进行改进,设计自适应池化层,完成模型训练,避免测试数据压缩或截取的同时达到提高分类精度的效果,实现对不同长度样本数据的流量分类。通过公开数据集的系列仿真实验测试结果表明,选取676字节的样本数据对12分类的加密流量准确率达到了98.82%,且该模型具有较好的泛化能力。