72 / 2021-09-08 17:21:07

基于CNN-LSTM组合模型的网络协议识别分类

协议识别；参数优化；比特流数据；特征工程

针对现有网络协议识别方法分类类型少、准确率低、以及细微特征提取困难等问题，提出了一种基于卷积神经网络（CNN）和长短期记忆网络（LSTM）的组合分类识别算法。首先，通过去中心归一化和one-hot编码技术完成对协议数据的预处理；然后针对协议数据具备的空间和时序特征，设计了3种CNN+LSTM模型，采用池化层批归一处理后接LSTM层的方式，有效解决了训练过程中出现的震荡问题；最后对模型的训练轮数、损失函数、优化器类型进行优化选择，训练出使CNN+LSTM模型分类性能指标达到最优的参数组合，从而提高对协议数据分类的准确率。实验结果表明：相比于经典深度学习算法，该文提出的CNN3+LSTM1模型可实现8种协议数据类型的分类，准确率达到99.60％，为所有算法中最高；同时在精确率、召回率等性能指标上误报率最低，训练用时少，计算复杂度低，具备较好的泛化性和高稳定性。