一种基于注意力机制的网络流量分类方法与流程

技术特征：
1.一种基于注意力机制的网络流量分类方法，其特征在于，包括以下步骤：s1、对原始流量进行数据预处理，从存储原始流量文件中提取双向流，并提取流量属性，形成流量属性向量；s2、对提取的流量属性进行归一化处理；s3、采用cnn lstm的结构，提取流量属性不同粒度的时间和空间特征；s4、将提取到的不同粒度的时间和空间特征进行多尺度融合处理；s5、采用注意力机制，提取融合后特征的显著特征；s6、使用全连接层 softmax函数的方式，利用融合后特征的显著特征对网络流量进行分类。2.根据权利要求1所述的基于注意力机制的网络流量分类方法，其特征在于，步骤s3具体包括：s31、使用不同卷积核大小的卷积层提取流量属性的空间特征，cnn层的计算公式如下：cnn(x)＝f(w
·
x
i h-1
b)其中，x为归一化后的流量属性向量，x
i h-1
为流量属性向量中第i h-1个流量属性，w为权重矩阵，b为偏置参数，f为激活函数，h为卷积核长度；s32、将cnn层提取的流量特征分别放入lstm层，提取流量的时间特征，lstm层的计算公式如下：f
t
＝σ(w
xf
x
t
w
hf
h
t-1
)i
t
＝σ(w
xi
x
t
w
hi
h
t-1
)o
t
＝σ(w
xo
x
t
w
ho
h
t-1
)c_in
t
＝tanh(w
xc
x
t
w
hc
h
t-1
)c
t
＝f
t
c
t-1
i
t
c_in
t
h
t
＝o
t
tanh(c
t
)其中，x
t
是神经元的输入，为cnn层提取的空间特征，w
xf
、w
hf
、w
xi
、w
hi
、w
xo
、w
ho
、w
xc
和w
hc
分别为对应的权重矩阵，h
t-1
为前一时刻隐层状态，h
t
为当前时刻隐层状态，f
t
为遗忘门，i
t
为输入门，o
t
为输出门，c
t
为当前细胞状态，c
t-1
为前一时刻细胞状态,c_in
t
为t时刻的更新状态，σ为元素级的sigmoid函数，tanh为用作激活函数的双曲正切函数。3.根据权利要求1所述的基于注意力机制的网络流量分类方法，其特征在于，步骤s5具体包括：利用注意机制提取融合后特征的显著特征c
i
，计算公式为：，计算公式为：，计算公式为：其中，s
i-1
表示前一时刻的融合特征，h
j
表示当前时刻的融合特征，a
ij
表示h
j
的权重，c
i
表示输入序列的上下文向量，v
a
、w
a
和u
a
分别表示对应变量的权重矩阵，tanh表示用作激活函数的双曲正切函数，m表示输入序列的长度。

技术总结
本发明涉及网络流量分类领域，具体涉及一种基于注意力机制的网络流量分类方法。针对不同重要特征的表征问题，本文提出了一种新的分类模型，首先对原始网络流量进行预处理，然后通过CNN层提取空间特征，从LSTM层提取时间特征，之后对提取到的多尺度特征进行融合，并利用注意力机制提取多模态的网络流量显著特征，以提高动态结构的输出质量，提高特征表示能力。通过本发明的设计，最终可以提高分类准确率。率。率。


技术研发人员：黄伟 黄杰 霍永华
受保护的技术使用者：中国电子科技集团公司第五十四研究所
技术研发日：2022.03.29
技术公布日：2022/7/29