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
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: 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
• 年，卷（期）: 2021,（20）
• 所属期刊栏目: 信息技术及图像处理|Information Technology and Image Processing
• 页码范围: 142-149
• 页数: 8页
• 分类号: TP393.0
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.2107699

摘要

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％.