[发明专利]高速网络环境下基于深度学习的网络流量识别模型

权利要求书

1.高速网络环境下基于深度学习的网络流量识别模型，其特征在于，包括：交换机(100)、控制器(200)、流量采集模块(300)、网络流特征提取选择模块(400)、网络流识别模块(500)、深度学习模块(600)、训练样本库(700)和输出模块(800)，所述交换机(100)信号连接有控制器(200)，所述控制器(200)电性连接有流量采集模块(300)，所述流量采集模块(300)信号连接有网络流特征提取选择模块(400)，所述网络流特征提取选择模块(400)电性连接有网络流识别模块(500)，所述网络流识别模块(500)电性连接有深度学习模块(600)和训练样本库(700)，所述深度学习模块(600)和训练样本库(700)均电性连接有输出模块(800)。

2.根据权利要求1所述的高速网络环境下基于深度学习的网络流量识别模型，其特征在于，包括以下步骤：

S1：控制器(200)与交换机(100)建立信息连接，数据包由交换机(100)传输到控制器(200)，Tcpdump收集网络信息,获取Tcp包；

S2：当获取Tcp包时，完成对网络流特征提取和特征选择，当获取的非Tcp包时，控制器(200)再次获取Tcp包；

S3：通过网络流识别模块(500)识别网络流信息，判断是否为识别的网络流信息；

S4：当标记为未识别网络流信息时，将网络流信息处理为深度学习模块可以读取的形式，并将网络流信息导入深度学习模块中，通过深度学习算法进行分类计算，当标记为已识别网络流信息时，统计网络流特征信息，加入训练样本库(700)，并更新训练样本库(700)，通过输出模块(800)输出分类识别的结果。

3.根据权利要求2所述的高速网络环境下基于深度学习的网络流量识别模型，其特征在于，所述步骤S2中通过支持向量机进行对网络流进行分类，且支持向量机的优化模型如下：

s.ty_i(w^T·φ(χ)+b)≥1-ε_i

ε_i≥0,i＝1,2,...,n

4.根据权利要求1所述的高速网络环境下基于深度学习的网络流量识别模型，其特征在于，所述步骤S4中分类的精准度、查准度和召回率公式分别为；

TP：样本所属类型为正例，分类器预测类型也为正例；

FN：样本所属类型为正例，但分类器预测错误为负例；

FP：样本所属类型为负例，但分类器预测错误为正例；

TN：样本所属类型为负例，分类器预测类型也为负例。