[发明专利]基于图神经网络和流时空关联的网络流量识别方法和系统

权利要求书

1.一种基于图神经网络和流时空关联的网络流量识别方法，其特征在于，所述网络流量识别方法包括：

获取待识别网络数据集；

提取所述待识别网络数据集中每一条待识别网络数据流的目标特征，并基于各所述待识别网络数据流对应的目标特征，构建网络数据流时空关联图，其中，所述网络数据流时空关联图中的一个节点代表一条待识别网络数据流，所述网络数据流时空关联图中的一条边表示各所述待识别网络数据流之间的关联性；

将所述网络数据流时空关联图进行图分割处理，获得各目标子图；

基于已训练好的网络流量识别模型，分别对各所述目标子图进行识别，得到各所述目标子图对应的全局表征信息，并基于各所述目标子图对应的全局表征信息，确定各所述目标子图中待识别网络数据流所属的目标应用，其中，所述网络流量识别模型为基于预先提取的各网络数据流的节点特征以及各网络数据流之间的时空关联特征构建的时空关联图进行迭代训练获得；在所述基于已训练好的网络流量识别模型，分别对各所述目标子图进行识别，得到各所述目标子图对应的全局表征信息，其中，所述网络流量识别模型为基于预先提取的各网络数据流的节点特征以及各网络数据流之间的时空关联特征构建的时空关联图进行迭代训练获得的步骤之前，所述网络流量识别方法还包括：

采集不同类别的网络应用的目标网络数据流集，其中，所述目标网络数据流集为通过多次访问网络应用获得，一种网络应用对应一种图模式；

提取所述目标网络数据流集对应的训练流量特征，其中，所述训练流量特征包括图的节点特征和图的边特征，所述边特征包括目标网络数据流集中各网络数据流之间的起始传输时间的时间间隔和远程目的IP所在目标地址池之间的距离；

基于所述训练流量特征，构建时空关联图；

基于所述时空关联图，对待训练图神经网络模型进行迭代训练，获得所述网络流量识别模型，其中，所述待训练图神经网络模型包括若干个图卷积层、图池化层、读出层和全连接层；

所述基于所述时空关联图，对待训练图神经网络模型进行迭代训练，获得所述网络流量识别模型的步骤包括：

获取所述时空关联图的训练特征矩阵以及训练邻接矩阵，其中，所述训练邻接矩阵是由所述目标网络数据流集对应的时间间隔和目标地址池之间的距离获得；

通过各所述图卷积层对所述训练特征矩阵进行卷积处理，得到各所述图卷积层输出的特征矩阵，并将各所述特征矩阵进行拼接，得到目标拼接特征矩阵；

通过所述图池化层对所述目标拼接特征矩阵和所述训练邻接矩阵进行池化处理，得到池化结果，其中，所述图池化层为基于SAGPool池化机制的图池化层；

通过所述读出层对所述池化结果进行全局池化处理，得到全局特征信息；

将所述全局特征信息输入所述全连接层，输出分类结果；

基于所述分类结果和所述时空关联图对应的真实标签，调节所述待训练图神经网络模型的模型参数，得到所述网络流量识别模型。

2.如权利要求1所述的基于图神经网络和流时空关联的网络流量识别方法，其特征在于，所述将所述网络数据流时空关联图进行图分割处理，获得各目标子图的步骤包括：

计算所述网络数据流时空关联图对应的正则化拉普拉斯矩阵；

对所述正则化拉普拉斯矩阵进行特征分解，确定目标特征向量；

基于所述目标特征向量，构建目标特征矩阵；

基于所述目标特征矩阵进行聚类分析，得到各所述目标子图。

3.如权利要求1所述的基于图神经网络和流时空关联的网络流量识别方法，其特征在于，所述基于各所述目标子图对应的全局表征信息，确定各所述目标子图中待识别网络数据流所属的目标应用的步骤包括：

分别将各所述目标子图对应的全局表征信息与预设各网络应用的图模式进行匹配，得到每一所述目标子图分别与预设各网络应用对应的匹配结果；

针对每一所述目标子图，确定匹配结果大于预设相似度阈值对应的网络应用，并将所述网络应用作为所述目标子图中待识别网络数据流所属的目标应用。