[发明专利]基于生成对抗网络GAN的网络背景流量生成方法

权利要求书

1.一种基于生成对抗网络GAN的网络背景流量生成方法，其特征在于，包括如下步骤：

(1)获取训练样本集X_train：

(1a)使用wireshark工具抓取通信节点在互联网通信时包括M种网络应用的S个流量数据包B＝{B₁,B₂,...,B_s,...,B_S}，每种网络应用至少对应一个流量数据包，每个流量数据包对应一种网络应用，每个流量数据包B_s包括W个特征，并对每种网络应用类别进行标注，得到M种网络应用对应的类别标签集合R_class＝{R₁,R₂,...,R_m,...,R_M}，其中，M≥2，S≥5000，B_s表示第s个流量数据包，1≤s≤S，W≥2，R_m表示第m种网络应用对应的类别标签，1≤m≤M；

(1b)对每个流量数据包B_s的非数字特征进行独热编码，并对经过独热编码的每个流量数据包进行归一化，得到经过预处理的流量数据包集合其中表示B_s的预处理结果；

(1c)通过R_class中的网络应用类别标签对每个经过预处理的流量数据包进行标记，得到对应的网络应用类别标签集合y＝{y₁,y₂,...,y_s,...y_S}，并将经过预处理的流量数据包集合及对应的网络应用类别标签集合y组合成训练样本集其中y_s表示与经过预处理的流量数据包相对应的网络应用类别标签，表示X_train中网络应用类别标签为R_m的样本集合，表示网络应用类别标签为R_m的第v个样本，V表示X_train中网络应用类别标签为R_m的样本总数，0＜V＜S，0≤v≤V；

(2)构建生成对抗网络模型库：

构建包括与网络应用种类相同的M个生成对抗网络的模型库每个生成对抗网络包括依次级联的生成器网络和判别器网络其中，生成器网络包括输入层、第一全连接模块与输出层；判别器网络包括输入层、第二全连接模块与输出层，表示第m种网络应用对应的生成对抗网络；

(3)对生成对抗网络模型库进行迭代训练：

(3a)初始化第m个生成对抗网络包含的生成器网络的参数为判别器网络的参数为迭代次数为q₁，最大迭代次数为Q₁，Q₁≥2000，并令q₁＝0；

(3b)从网络应用类别标签为R_m的样本集合中随机选取K个样本作为生成对抗网络的输入，生成器网络对每个样本的预处理流量数据包特征进行预测，得到预测流量数据包特征集合判别器网络分别计算每个与每个来源于样本集合的概率，得到概率集合与概率集合D₂＝{d₁,d₂,...,d_k,...,d_K}，其中,1≤K≤50，1≤k≤K，表示第k个随机选取的样本，表示经过生成器网络预测得到的流量数据包特征，表示判别器网络计算来源于样本集合的概率，d_k表示判别器网络计算来源于样本集合的概率；

(3c)采用交叉熵损失函数，通过计算生成器网络的损失同时通过与d_k计算判决器网络的损失并采用反向传播方法，通过计算生成器网络的网络参数梯度，通过计算判别器网络的网络参数梯度；然后采用梯度下降算法，通过的网络参数梯度对的网络参数进行更新，通过的网络参数梯度对的参数进行更新；

(3d)判断q₁＝Q₁是否成立，若是，得到训练好的M个生成对抗网络否则，令q₁＝q₁+1，并执行步骤(3b)；

(4)获取训练好的生成器网络预测流量数据包特征：

将训练样本集X_train作为每个训练好的生成器网络的输入，对每个应用类别标签为R_m的样本集合中的每个样本进行预处理流量数据包特征预测，得到预测流量数据包特征集合其中表示网络应用标签为R_m的样本集合中的V个样本经过预测得到的预测流量数据包特征集合，表示训练样本集X_train中网络应用类别标签为R_m的样本集合中的第v个样本经过训练好的生成器网络预测得到的流量数据包特征；

(5)网络流量生成结果：

从预测流量数据包特征集合A中随机选取一个应用类别标签为R_w的预测流量数据包特征集合并从中随机选取L个预测流量数据包特征流量生成器根据预测流量数据包特征集合生成初始流量数据包序列c＝{c₁,c₂,...c_l,...c_L}，并将通信节点需要发送的数据加密后嵌入到每一个初始流量数据包c_l中，得到包含L个经过加密数据嵌入的流量数据包的网络流量c′＝{c′₁,c′₂,...c′_l,...c′_L}，其中为从预测流量数据包特征集合中随机选取的第l个预测流量数据包特征,c_l表示流量生成器根据第l个预测流量数据包特征生成的初始流量数据包,c′_l表示第l个初始流量数据包经过加密数据嵌入的流量数据包，1≤l≤L，L≤V，1≤R_w≤R_M。