基于深度卷积神经网络的网络流量分类方法

• Published in: 通信学报 Vol. 39; no. 1; pp. 14 - 23
• Main Authors: 王勇, 周慧怡, 俸皓, 叶苗, 柯文龙
• Format: Journal Article
• Language: Chinese
• Published: 桂林电子科技大学认知无线电与信息处理省部共建教育部重点实验室,广西桂林541004%桂林电子科技大学信息与通信学院,广西桂林541004 25.01.2018; 桂林电子科技大学信息与通信学院,广西桂林541004; 桂林电子科技大学计算机与信息安全学院,广西桂林541004; 桂林理工大学信息科学与工程学院,广西桂林541004%桂林电子科技大学信息与通信学院,广西桂林,541004; 桂林电子科技大学认知无线电与信息处理省部共建教育部重点实验室,广西桂林541004%桂林电子科技大学计算机与信息安全学院,广西桂林,541004%桂林电子科技大学认知无线电与信息处理省部共建教育部重点实验室,广西桂林541004
• Subjects: network traffic classification; 卷积神经网络; 流量分类; convolutional neural network; normalized; 归一化; 特征选择; feature selection
• ISSN: 1000-436X
• DOI: 10.11959/j.issn.1000-436x.2018018

TP393; 针对传统基于机器学习的流量分类方法中特征选取环节的好坏会直接影响结果精度的问题,提出一种基于卷积神经网络的流量分类算法.首先,通过对数据进行归一化处理后映射成灰度图片作为卷积神经网络的输入数据,然后,基于LeNet-5深度卷积神经网络设计适于流量分类应用的卷积层特征面及全连接层的参数,构造能够实现流量的自主特征学习的最优分类模型,从而实现网络流量的分类.所提方法可以在避免复杂显式特征提取的同时达到提高分类精度的效果.通过公开数据集和实际数据集的系列仿真实验测试结果表明,与传统分类方法相比所提算法基于改进的CNN流量分类方法不仅提高了流量分类的精度,而且减少了分类所用的时间.