一种智能网联汽车加密流量多任务分类方法、装置及电子设备

本技术涉及数据处理，尤其涉及一种智能网联汽车加密流量多任务分类方法、装置及电子设备。

背景技术：

1、随着智能网联汽车的快速发展，现代汽车已不再是单纯的交通工具，已逐步演变成集成大量传感器、控制器和网络接口的复杂移动智能终端。为了保障智能网联汽车的安全与隐私，智能网联汽车的数据均为加密流量数据。在通信技术领域中，流量是指通信设备之间交互产生的交互数据，加密流量为利用一些特定的加密处理手段对通信设备之间交互产生的交互数据进行加密处理得到的流量数据，可有效保障数据交互的私密性以及安全性。

2、由于加密流量经加密处理后，部分数据特征被隐藏，比如加密流量的类别被隐藏。这对于一些需要针对不同类别的流量进行分类处理的场景而言，较难对此类加密流量进行识别和分类。比如，对于智能网联汽车这一类应用场景而言，精准识别出与车辆自身相关的加密流量中的视频交互流量，是保障车辆内部多媒体模块正常播放视频的必要基础。但是加密流量中的特征被隐藏，较难区分出与车辆自身相关的加密流量中具体哪些流量属于视频交互流量。

3、传统的网络流量分类技术主要是针对未加密的数据流，通过分析数据包的特征、协议类型和端口信息等进行分类。但是随着加密技术的不断进步和加密协议的多样化，单一的流量分类方法已经无法满足加密流量实时性的要求。因此，如何对智能网联汽车的加密流量进行分类成为一个迫切需要解决的问题。

技术实现思路

1、有鉴于此，本技术实施例提供了一种智能网联汽车加密流量多任务分类方法、装置及电子设备，以实现对智能网联汽车加密流量进行分类。

2、第一方面，本技术提供了一种智能网联汽车加密流量多任务分类方法，所述方法包括：

3、获取待处理的流量数据，其中，所述待处理的流量数据为智能网联汽车加密流量；

4、将所述待处理的流量数据输入至目标加密流量分类模型中，由所述目标加密流量分类模型对所述待处理的流量数据进行多任务分类处理，获取所述目标加密流量分类模型输出的目标分类结果，所述目标分类结果包括：目标流量类别以及目标流量来源；

5、其中，所述目标加密流量分类模型预先通过如下步骤训练得到：

6、将预处理得到的训练样本数据输入至初始加密流量分类模型中；其中，所述预处理得到的训练样本数据是基于历史智能网联汽车的加密流量进行预处理得到的数据序列，所述初始加密流量分类模型包括一维卷积神经网络、transformer网络模型、分类层网络；

7、由所述一维卷积神经网络与所述transformer网络模型对所述训练样本数据进行并行特征提取，获取所述训练样本数据中各加密流量的综合特征；

8、利用所述分类层网络对各加密流量的综合特征进行分类识别，获取各加密流量的目标分类结果；

9、若所述目标分类结果与所述训练样本数据的实际分类结果之间的目标差异不满足预设训练结束条件，对所述初始加密流量分类模型的参数进行调整，直至所述目标差异满足所述预设训练结束条件，将所述目标差异满足所述预设训练结束条件对应的加密流量分类模型确定为所述目标加密流量分类模型。

10、在一些实施例中，所述方法应用于智能网联汽车端，所述目标加密流量分类模型安装于所述智能网联汽车端，在所述将所述待处理的流量数据输入至目标加密流量分类模型中步骤之前，所述方法还包括：

11、针对各所述待处理的流量数据进行预处理，去除各所述待处理流量数据中的目标通信数据包头，并对去除所述目标通信数据包头的流量数据进行数据包序列化处理，得到各条满足预设序列长度的预处理的流量数据，其中，所述目标通信数据包头是指与加密流量分类关联度小于预设关联度的通信头部信息；

12、将所述预处理的流量数据输入至所述目标加密流量分类模型中，由所述目标加密流量分类模型对所述预处理的流量数据进行多任务分类处理。

13、在一些实施例中，所述训练样本数据中还包括加密流量的预设标签信息，所述预设标签信息包括：流量类型标签信息、流量来源标签信息，所述若所述目标分类结果与所述训练样本数据的实际分类结果之间的目标差异不满足预设训练结束条件，则对所述初始加密流量分类模型的参数进行调整，包括：

14、将所述目标分类结果与所述预设标签信息进行匹配，计算所述目标分类结果与所述预设标签信息之间的差异值，若所述差异值不满足所述预设训练结束条件，则对所述初始加密流量分类模型的参数进行调整。

15、在一些实施例中，所述将所述目标分类结果与所述预设标签信息进行匹配，计算所述目标分类结果与所述预设标签信息之间的差异值，包括：

16、根据所述目标分类结果与所述预设标签信息构建交叉熵损失函数，若所述交叉熵损失函数收敛，则表明所述差异值满足所述预设训练结束条件；

17、其中，所述交叉熵损失函数如下公式所示：

18、

19、其中，若所述预设标签信息为流量类型标签信息，n为同批训练样本数据的总数，c为预先划分的加密流量的类别总数，pnc为加密流量分类模型识别的第n个训练样本数据属于第c个类别的概率，ync为第n个训练样本数据真实流量类型标签的值；

20、或者，若所述预设标签信息为流量来源标签信息，n为同批训练样本数据的总数，c为预先划分的加密流量的来源总数，pnc为加密流量分类模型识别的第n个训练样本数据属于第c个来源的概率，ync为第n个训练样本数据真实流量来源标签的值。

21、在一些实施例中，所述预处理得到的训练样本数据预先通过如下方式得到：

22、将所述历史智能网联汽车的加密流量输入至预设流量处理工具中，由所述预设流量处理工具去除各条所述加密流量中的目标通信数据包头，并对去除所述目标通信数据包头的流量数据进行数据包序列化处理，得到各条满足预设序列长度的训练样本数据序列；

23、其中，所述目标通信数据包头是指与加密流量分类关联度小于预设关联度的通信头部信息。

24、在一些实施例中，所述初始加密流量分类模型包括特征融合模块，所述特征融合模块由若干个特征融合子模块逐级串联而成，其中，各所述特征融合子模块至少包括：一个一维卷积神经网络子模块对、一个transformer网络模型子模块，所述一维卷积神经网络子模块对至少包括：第一卷积神经网络子模块、第二卷积神经网络子模块；所述由所述一维卷积神经网络与所述transformer网络模型对所述训练样本数据进行并行特征提取，获取所述训练样本数据中各加密流量的综合特征，包括：

25、由当前级特征融合子模块中的第一卷积神经网络子模块对上一级特征融合子模块的第二卷积神经网络子模块的输出进行综合特征进行下采样，得到第一下采样特征，并将所述第一下采样特征输入至当前级特征融合子模块中的transformer网络模型子模块中，由所述当前级特征融合子模块中的transformer网络模型子模块对所述第一下采样特征进行特征上采样，得到第一上采样特征，并将所述第一上采样特征输入至所述当前级特征融合子模块中的第二卷积神经网络子模块中，由所述当前级特征融合子模块中的第二卷积神经网络子模块基于所述第一上采样特征输出综合特征；

26、将最后一级特征融合子模块的第二卷积神经网络子模块输出的综合特征，确定为所述训练样本数据中各加密流量的综合特征。

27、第二方面，本技术提供了一种智能网联汽车加密流量多任务分类装置，所述装置包括：

28、流量获取模块，用于获取待处理的流量数据，其中，所述待处理的流量数据为智能网联汽车加密流量；

29、流量分类模块，用于将所述待处理的流量数据输入至目标加密流量分类模型中，由所述目标加密流量分类模型对所述待处理的流量数据进行多任务分类处理，获取所述目标加密流量分类模型输出的目标分类结果，所述目标分类结果包括：目标流量类别以及目标流量来源；

30、其中，所述目标加密流量分类模型为预先通过如下步骤训练得到的加密流量分类模型：

31、将预处理得到的训练样本数据输入至初始加密流量分类模型中；其中，所述预处理得到的训练样本数据是基于历史智能网联汽车的加密流量进行预处理得到的数据序列，所述初始加密流量分类模型包括一维卷积神经网络、transformer网络模型、分类层网络；

32、由所述一维卷积神经网络与所述transformer网络模型对所述训练样本数据进行并行特征提取，获取所述训练样本数据中各加密流量的综合特征；

33、利用所述分类层网络对各加密流量的综合特征进行分类识别，获取各加密流量的目标分类结果；

34、若所述目标分类结果与所述训练样本数据的实际分类结果之间的目标差异不满足预设训练结束条件，对所述初始加密流量分类模型的参数进行调整，直至所述目标差异满足所述预设训练结束条件，将所述目标差异满足所述预设训练结束条件对应的加密流量分类模型确定为所述目标加密流量分类模型。

35、在一些实施例中，所述装置应用于智能网联汽车端，所述目标加密流量分类模型安装于所述智能网联汽车端，所述装置还包括：

36、流量预处理模块，用于针对各所述待处理的流量数据进行预处理，去除各所述待处理流量数据中的目标通信数据包头，并对去除所述目标通信数据包头的流量数据进行数据包序列化处理，得到各条满足预设序列长度的预处理的流量数据，其中，所述目标通信数据包头是指与加密流量分类关联度小于预设关联度的通信头部信息；

37、将所述预处理的流量数据输入至所述目标加密流量分类模型中，由所述目标加密流量分类模型对所述预处理的流量数据进行多任务分类处理。

38、在一些实施例中，所述训练样本数据中还包括加密流量的预设标签信息，所述预设标签信息包括：流量类型标签信息、流量来源标签信息，所述若所述目标分类结果与所述训练样本数据的实际分类结果之间的目标差异不满足预设训练结束条件，则对所述初始加密流量分类模型的参数进行调整，包括：

39、将所述目标分类结果与所述预设标签信息进行匹配，计算所述目标分类结果与所述预设标签信息之间的差异值，若所述差异值不满足所述预设训练结束条件，则对所述初始加密流量分类模型的参数进行调整。

40、在一些实施例中，所述将所述目标分类结果与所述预设标签信息进行匹配，计算所述目标分类结果与所述预设标签信息之间的差异值，包括：

41、根据所述目标分类结果与所述预设标签信息构建交叉熵损失函数，若所述交叉熵损失函数收敛，则表明所述差异值满足所述预设训练结束条件；

42、其中，所述交叉熵损失函数如下公式所示：

43、

44、其中，若所述预设标签信息为流量类型标签信息，n为同批训练样本数据的总数，c为预先划分的加密流量的类别总数，pnc为加密流量分类模型识别的第n个训练样本数据属于第c个类别的概率，ync为第n个训练样本数据真实流量类型标签的值；

45、或者，若所述预设标签信息为流量来源标签信息，n为同批训练样本数据的总数，c为预先划分的加密流量的来源总数，pnc为加密流量分类模型识别的第n个训练样本数据属于第c个来源的概率，ync为第n个训练样本数据真实流量来源标签的值。

46、在一些实施例中，所述预处理得到的训练样本数据预先通过如下方式得到：

47、将所述历史智能网联汽车的加密流量输入至预设流量处理工具中，由所述预设流量处理工具去除各条所述加密流量中的目标通信数据包头，并对去除所述目标通信数据包头的流量数据进行数据包序列化处理，得到各条满足预设序列长度的训练样本数据序列；

48、其中，所述目标通信数据包头是指与加密流量分类关联度小于预设关联度的通信头部信息。

49、在一些实施例中，所述初始加密流量分类模型包括特征融合模块，所述特征融合模块由若干个特征融合子模块逐级串联而成，其中，各所述特征融合子模块至少包括：一个一维卷积神经网络子模块对、一个transformer网络模型子模块，所述一维卷积神经网络子模块对至少包括：第一卷积神经网络子模块、第二卷积神经网络子模块；所述由所述一维卷积神经网络与所述transformer网络模型对所述训练样本数据进行并行特征提取，获取所述训练样本数据中各加密流量的综合特征，包括：

50、由当前级特征融合子模块中的第一卷积神经网络子模块对上一级特征融合子模块的第二卷积神经网络子模块的输出进行综合特征进行下采样，得到第一下采样特征，并将所述第一下采样特征输入至当前级特征融合子模块中的transformer网络模型子模块中，由所述当前级特征融合子模块中的transformer网络模型子模块对所述第一下采样特征进行特征上采样，得到第一上采样特征，并将所述第一上采样特征输入至所述当前级特征融合子模块中的第二卷积神经网络子模块中，由所述当前级特征融合子模块中的第二卷积神经网络子模块基于所述第一上采样特征输出综合特征；

51、将最后一级特征融合子模块的第二卷积神经网络子模块输出的综合特征，确定为所述训练样本数据中各加密流量的综合特征。

52、第三方面，本技术提供了一种电子设备，所述电子设备包括：

53、处理器；以及存储程序的存储器，

54、其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据第一方面所述的智能网联汽车加密流量多任务分类方法。

55、第四方面，本技术提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据第一方面所述的智能网联汽车加密流量多任务分类方法。

56、本技术的有益效果：

57、本技术提供了一种智能网联汽车加密流量多任务分类方法、装置及电子设备，该方法将获取的待处理的智能网联汽车加密流量数据输入至预先训练好的目标加密流量分类模型中，由该目标加密流量分类模型进行多任务分类处理，获取得到目标加密流量分类模型输出的目标流量类别以及目标流量来源。由于该目标加密流量分类模型是基于历史智能网联汽车的加密流量训练得到的，该目标加密流量分类模型具备从加密流量数据中提取出综合特征，并基于提取得到的综合特征获取加密流量数据的目标流量类别以及目标流量来源的能力，如此，可在不破坏流量数据本身的安全性以及隐私性的情况下，实现对智能网联汽车加密流量的分类处理，有效提升了智能网联汽车网络数据的安全性。