一种面向类不平衡加密流量的端到端分类模型

作者：林鹏; 翟江涛^*; 许历隆; 崔永富

来源：电子测量技术, 2021, 44(20): 142-149.

DOI：10.19651/j.cnki.emt.2107699

• 计算机神经网络
• 类不平衡
• 端到端
• 卷积神经网络
• 特征融合
• 注意力模块

当前流量分类方法在面对类不平衡流量时,往往存在着在少数类上的分类效果不佳的问题。针对该问题,提出了一种面向类不平衡加密流量的端到端分类模型。所提模型在传统卷积神经网络模型的基础上添加了一个Inception模块进行特征融合,让模型能提取到更丰富的特征,弥补了少数类因样本数量少所带来的特征学习上的不足;同时引入一个通道-空间域注意力模块,对Inception模块所融合的特征根据重要程度赋予相应的权值,使模型更多地关注到更重要的特征,增强流量特征的表征能力。与此同时,为减少网络参数,采用卷积层加全局平均池化层的组合代替模型中的全连接层。实验结果表明,相较于当前典型流量分类模型,所提模型在数据集少数类上具有更优的分类性能,精确率、召回率和F1-Score均有显著提高,其中综合性能指标F1-Score在某些少数类上的提升达到了15%～18%。

• 单位
  南京信息工程大学