[发明专利]一种基于深度学习的网络加密流量识别方法、装置及设备

权利要求书

1.一种基于深度学习的网络加密流量识别方法，其特征在于，包括：

对移动流量数据进行预处理操作，得到预处理数据；

对所述预处理数据进行数据归一化处理，对数据归一化处理后的数据进行卷积操作，采用线性流函数作为激活函数对得到的卷积结果计算，并对得到的计算结果进行分类，得到分类结果；

所述对移动流量数据进行预处理操作，得到预处理数据，包括：

从移动流量数据中获取所有流量的消息头部及消息实体，组合使用所有流量的消息头部和实体作为待标准化数据；使用S_req和S_res分别表示请求消息和响应消息的消息实体，⊕为字符连接符，(H)^*为头部域组，每一种数据符号都包含了每行末尾的回车换行符；

待标准化数据为：

对所述待标准化数据除去不同组成成分之间的回车换行符进行标准化数据处理；

对得到的标准化处理结果进行类图像转换，得到预处理数据。

2.如权利要求1所述的方法，其特征在于，

所述对移动流量数据进行预处理操作，得到预处理数据，包括：

从移动流量数据中获取消息的起始行和头部域作为有效数据，转换为标准化矩阵；

将标准化处理得到的标准化矩阵进行转换操作，即将字符转换成类图片格式的二维数值矩阵，得到预处理数据。

3.如权利要求1所述的方法，其特征在于，

所述对所述待标准化数据除去不同组成成分之间的回车换行符进行标准化数据处理，包括：

对待标准化处理数据的每一行，若行字符小于矩阵的行元素数量，则使用相应数量的字符补；若行字符数大于等于行元素数量，则丢弃多余字符；

若行数不足，则使用每行若干个NUL字符补充相应行数；若行数大于等于行数，则丢弃多余行数。

4.如权利要求1所述的方法，其特征在于，

所述对预处理数据进行数据归一化处理，包括：

将预处理数据进行归一化处理得到归一为[0,1]的数据。

5.如权利要求1所述的方法，其特征在于，

所述对数据归一化处理后的数据进行卷积操作，采用线性流函数作为激活函数对卷积结果计算，对得到的计算结果进行分类，包括：

输入层、卷积层、池化层、全连接层以及输出层对预处理数据进行处理操作，最终实现对移动流量数据的分类识别。

6.如权利要求5所述的方法，其特征在于，

所述方法包括，采用卷积层提取图像边缘、像素关系特征。

7.一种基于深度学习的网络加密流量识别装置，其特征在于，包括：

预处理模块，用于对移动流量数据进行预处理操作，得到预处理数据；

模型处理模块，用于对所述预处理数据进行数据归一化处理，对数据归一化处理后的数据进行卷积操作，采用线性流函数作为激活函数对得到的卷积结果计算，并对得到的计算结果进行分类，得到分类结果；

所述对移动流量数据进行预处理操作，得到预处理数据，包括：

从移动流量数据中获取所有流量的消息头部及消息实体，组合使用所有流量的消息头部和实体作为待标准化数据；使用S_req和S_res分别表示请求消息和响应消息的消息实体，⊕为字符连接符，(H)^*为头部域组，每一种数据符号都包含了每行末尾的回车换行符；

待标准化数据为：

对所述待标准化数据除去不同组成成分之间的回车换行符进行标准化数据处理；

对得到的标准化处理结果进行类图像转换，得到预处理数据。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，

所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序，所述程序被执行时，能够实现如权利要求1-6任一项所述的方法。