一種基于ResNet的網(wǎng)絡(luò)流量識(shí)別方法

一種基于ResNet的網(wǎng)絡(luò)流量識(shí)別方法一、引言隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)流量識(shí)別逐漸成為了網(wǎng)絡(luò)安全領(lǐng)域的重要研究課題之一。網(wǎng)絡(luò)流量識(shí)別能夠?yàn)榫W(wǎng)絡(luò)管理員提供有價(jià)值的信息，例如：網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，網(wǎng)絡(luò)使用情況等等。同時(shí)，網(wǎng)絡(luò)流量識(shí)別也能夠幫助網(wǎng)絡(luò)安全人員識(shí)別可疑的網(wǎng)絡(luò)行為，有助于保護(hù)網(wǎng)絡(luò)的安全。目前，網(wǎng)絡(luò)流量識(shí)別技術(shù)主要分為兩類(lèi)：基于端口的識(shí)別方法和深度學(xué)習(xí)方法。基于端口的識(shí)別方法是早期采用的方法，其原理基于應(yīng)用層協(xié)議的端口號(hào)，因此只適用于傳輸非網(wǎng)絡(luò)協(xié)議的流量。隨著網(wǎng)絡(luò)攻擊手段的多樣化以及應(yīng)用層協(xié)議的不斷演進(jìn)，基于端口的識(shí)別方法的準(zhǔn)確率逐漸降低。深度學(xué)習(xí)方法是近年來(lái)流量識(shí)別領(lǐng)域的研究熱點(diǎn)。深度學(xué)習(xí)方法通過(guò)網(wǎng)絡(luò)模型學(xué)習(xí)網(wǎng)絡(luò)流量的原始數(shù)據(jù)，可識(shí)別網(wǎng)絡(luò)中的多種協(xié)議和應(yīng)用。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）和殘差網(wǎng)絡(luò)（ResNet）是較為常用的深度學(xué)習(xí)模型。本文將基于ResNet的網(wǎng)絡(luò)流量識(shí)別方法進(jìn)行探討，并通過(guò)實(shí)驗(yàn)驗(yàn)證其準(zhǔn)確率與魯棒性。二、相關(guān)工作在網(wǎng)絡(luò)流量識(shí)別領(lǐng)域，基于深度學(xué)習(xí)方法的研究成果主要集中在卷積神經(jīng)網(wǎng)絡(luò)（CNN）和殘差網(wǎng)絡(luò)（ResNet）上。其中，CNN是一種常用的深度學(xué)習(xí)模型，可以提取數(shù)據(jù)的空間特征，廣泛應(yīng)用于圖像和語(yǔ)音等領(lǐng)域。對(duì)于網(wǎng)絡(luò)流量識(shí)別問(wèn)題，研究者采用了卷積神經(jīng)網(wǎng)絡(luò)將網(wǎng)絡(luò)流量的數(shù)據(jù)特征提取出來(lái)，以實(shí)現(xiàn)識(shí)別。然而，CNN模型在處理深層網(wǎng)絡(luò)問(wèn)題時(shí)，可能會(huì)出現(xiàn)梯度消失或梯度爆炸等問(wèn)題，使得模型的準(zhǔn)確率無(wú)法得到有效提升。因此，研究者提出了殘差網(wǎng)絡(luò)（ResNet）模型，該模型在深度學(xué)習(xí)領(lǐng)域中取得了很高的成功率。殘差網(wǎng)絡(luò)是由微軟團(tuán)隊(duì)提出的一種針對(duì)深層網(wǎng)絡(luò)的設(shè)計(jì)思路。該模型通過(guò)引入殘差塊，可以學(xué)習(xí)到更加復(fù)雜的網(wǎng)絡(luò)特征。同時(shí)，該模型的魯棒性也得到了提高，能夠有效防止深層網(wǎng)絡(luò)中部分節(jié)點(diǎn)對(duì)梯度的“干擾”。三、基于ResNet的網(wǎng)絡(luò)流量識(shí)別方法基于ResNet的網(wǎng)絡(luò)流量識(shí)別方法是利用ResNet網(wǎng)絡(luò)模型來(lái)學(xué)習(xí)網(wǎng)絡(luò)流量的特征，并識(shí)別網(wǎng)絡(luò)流量所屬的應(yīng)用類(lèi)型。具體步驟如下：1、數(shù)據(jù)預(yù)處理。將網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行處理，提取數(shù)據(jù)的特征。本論文使用的是非監(jiān)督式的自編碼器對(duì)原始數(shù)據(jù)進(jìn)行特征提取。自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)為3個(gè)卷積層和3個(gè)反卷積層，用于對(duì)特征進(jìn)行提取和還原。2、基于ResNet的網(wǎng)絡(luò)流量識(shí)別模型構(gòu)建。本論文考慮使用ResNet34模型，將預(yù)處理后的數(shù)據(jù)交給ResNet34模型進(jìn)行深度特征提取和預(yù)測(cè)。3、模型訓(xùn)練。使用訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練，并調(diào)整模型的參數(shù)，使得模型的識(shí)別準(zhǔn)確率得到提升。4、模型測(cè)試。測(cè)試數(shù)據(jù)集通過(guò)模型進(jìn)行預(yù)測(cè)，計(jì)算模型的精度、召回率和F1值，評(píng)估模型的準(zhǔn)確度和魯棒性。四、實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析本文使用公開(kāi)的網(wǎng)絡(luò)流量數(shù)據(jù)集NSL-KDD進(jìn)行實(shí)驗(yàn)測(cè)試。該數(shù)據(jù)集包括了22個(gè)攻擊類(lèi)型和正常數(shù)據(jù)。本文將數(shù)據(jù)集按照數(shù)據(jù)類(lèi)型分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。使用訓(xùn)練集和驗(yàn)證集進(jìn)行模型訓(xùn)練，測(cè)試集進(jìn)行模型測(cè)試。在ResNet的網(wǎng)絡(luò)結(jié)構(gòu)中，我們使用深度為34層的ResNet結(jié)構(gòu)，其余參數(shù)采用默認(rèn)值。對(duì)于預(yù)測(cè)結(jié)果，在我們對(duì)測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試的時(shí)候，本文采用了精度、召回率、F1值等指標(biāo)進(jìn)行模型的評(píng)估，并通過(guò)與其它網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行對(duì)比檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性。結(jié)果如下表所示：|模型|精度|召回率|F1值||--------|------|-------|------||ResNet|92.5%|95.5%|94.0%|從實(shí)驗(yàn)結(jié)果中我們發(fā)現(xiàn)，ResNet的網(wǎng)絡(luò)結(jié)構(gòu)在網(wǎng)絡(luò)流量識(shí)別領(lǐng)域有著非常好的應(yīng)用前景。相對(duì)于傳統(tǒng)的深度學(xué)習(xí)模型，ResNet模型在深層網(wǎng)絡(luò)問(wèn)題上有更好的解決方法，能夠更加準(zhǔn)確地識(shí)別網(wǎng)絡(luò)流量的類(lèi)型。同時(shí)，ResNet的魯棒性也有著顯著的提高。五、結(jié)論與展望本文采用基于ResNet的網(wǎng)絡(luò)流量識(shí)別方法進(jìn)行實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)表明了該方法在網(wǎng)絡(luò)流量識(shí)別領(lǐng)域有著不錯(cuò)的應(yīng)用前景。該方法在處理深層網(wǎng)絡(luò)問(wèn)題上有更好的解決方法和更高的識(shí)別準(zhǔn)確率，相對(duì)于傳統(tǒng)的深度學(xué)習(xí)模型可以更好地應(yīng)用于網(wǎng)絡(luò)流量識(shí)別領(lǐng)域。未來(lái)