一种基于深度学习的轻量化恶意流量分类方法

专利主权项内容

1.一种基于深度学习的轻量化恶意流量分类方法，其将表征流量数据的灰度图像通过设计好的轻量化恶意流量分类模型进行分类，得到是良性流量还是恶性流量的输出结果；所述轻量化恶意流量分类模型包括1个卷积层、8个LRB模块、1个全局平均池化层、1个全连接层和一个Softmax分类器，所述灰度图像首先经过所述卷积层，再经过顺序连接的8个所述LRB模块，第8个所述LRB模块的输出依次输入所述全局平均池化层、全连接层和Softmax分类器，Softmax分类器的输出结果为良性流量或者恶性流量；其特征在于，在8个所述LRB模块中，依次是2个步长均为1的LRB模块、1个步长为2的LRB模块、1个步长为1的LRB模块、1个步长为2的LRB模块、1个步长为1的LRB模块、1个步长为2的LRB模块、1个步长为1的LRB模块；对于步长为1的LRB模块：对LRB的输入特征进行通道拆分操作，得到两个通道数相同的输出特征和；依次通过一个Ghost Module、一个批归一化BN函数和一个Relu函数得到输出特征，再依次通过一个Ghost Module和一个批归一化BN函数得到输出特征；和相加后再经过一个Relu函数得到输出特征，将和进行拼接，得到输出特征；经过通道混洗操作，将通道的顺序打乱并重新排列，得到的输出特征即为LRB模块的最终输出特征；AA1A2A2B1B1B2A2B2CCA1DDDout对于步长为2的LRB模块：LRB的输入特征首先依次经过一个Ghost Module、一个批归一化BN函数和一个Relu函数得到输出特征，再依次经过一个步长为2的深度卷积DWConv操作、一个批归一化BN函数和一个Relu函数得到输出特征，再依次经过一个GhostModule和一个批归一化BN函数得到输出特征；同时依次经过一个步长为2、大小为1×1的卷积操作、一个批归一化BN函数和一个Relu函数得到输出特征，和相加再经过一个Relu函数得到输出特征；同时经过一个步长为2、大小为2×2的平均池化层，得到输出特征，将>进行拼接，得到输出特征>经过通道混洗操作，将通道的顺序打乱并重新排列，得到的输出特征即为LRB模块的最终输出特征。AA1A1A2A2A3AB1B1A3C1A>>>>>>>>>out。来源：马 克 数 据 网