买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院信息工程研究所申请的专利一种基于深度学习的去中心化应用流量识别方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116260736B 。

龙图腾网通过国家知识产权局官网在2025-10-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310140377.6，技术领域涉及：H04L43/028；该发明授权一种基于深度学习的去中心化应用流量识别方法和系统是由卢昊洋;章睿;郑丽娟;李兆轩设计研发完成，并于2023-02-08向国家知识产权局提交的专利申请。

本一种基于深度学习的去中心化应用流量识别方法和系统在说明书摘要公布了：本发明涉及一种基于深度学习的去中心化应用流量识别方法和系统。该方法包括：采集去中心化应用使用过程中的网络流量数据；对采集的网络流量数据进行预处理，所述预处理包括流量过滤，并将过滤后的网络流量数据转化为图片形式；利用图片形式的网络流量数据训练神经网络模型；利用训练完成的神经网络模型对去中心化应用的实际网络流量进行分类识别。本发明将网络流量分类问题转化为图像分类问题，利用卷积神经网络在图像识别领域强大的学习能力训练出图流量分类器，能够显著提高分类器的测试准确率，有助于网络服务提供商与网络的管理者优化网络环境。

本发明授权一种基于深度学习的去中心化应用流量识别方法和系统在权利要求书中公布了：1.一种基于深度学习的去中心化应用流量识别方法，其特征在于，包括以下步骤： 采集去中心化应用使用过程中的网络流量数据； 对采集的网络流量数据进行预处理，所述预处理包括流量过滤，并将过滤后的网络流量数据转化为图片形式； 利用图片形式的网络流量数据训练神经网络模型； 利用训练完成的神经网络模型对去中心化应用的实际网络流量进行分类识别； 所述采集去中心化应用使用过程中的网络流量数据，包括：在每个去中心化应用正式采集之前收集系统背景流量，随后访问每个去中心化应用的页面，每个页面访问多次获取冗余流量，两次访问之间间隔一段时间以保证后一次会话开始时前一次会话已经结束； 所述流量过滤包括：域过滤、包过滤以及流过滤；所述域过滤的目的是过滤掉与目标应用无关的流量；所述包过滤的目的是滤除没有带来任何有助于描述流量特征的数据包； 所述流过滤的目的是分割数据流，将目标应用的流量按五元组与时间间隔划分出流，其中流表示在单个TCP会话期间两个对等方之间交换的TCP数据包的时序序列； 所述域过滤包括：基于背景流量分析的结果过滤掉局域网内的数据包以及本机产生的背景流量；利用会话统计信息，结合网络信息、会话时长、发包数量对IP地址进行二次过滤，目的是筛除无关流以及数据量较小的相关流，保留行为特征更为明显的数据量较大的相关流； 所述神经网络模型为卷积神经网络模型；所述卷积神经网络模型包括： 输入层，用于读取经过预处理的图片数据，输入为1×25×320像素的单通道图像数据； 卷积层C1，使用大小为3的卷积核，滑动步长的取值设为1，输出5通道数据，图像经过卷积后输出张量尺寸变为5×23×318；一次卷积实现后，将输出张量通过ReLU激活函数引入非线性因素并提高学习速度； 池化层P1，选取2×2的池化核，滑动步长取值为2，采用最大池化方式压缩特征，输出张量尺寸为5×11×159； 卷积层C2，池化层P1的输出张量作为卷积层C2的输入张量，卷积层C2的下采样尺寸为3×3，滑动步长为1，包含10个卷积核，卷积后张量尺寸变为10×9×157，再次将卷积结果通过ReLU激活函数； 池化层P2，与池化层P1结构相同，池化核尺寸为2×2，步长设置为2，采用最大池化方式，输出张量尺寸为10×4×78； 全连接层Fc1，包含120个神经元，将池化层的输出张量中3120个元素映射到120维的特征空间中，再经过ReLU函数； 全连接层Fc2，包含84个神经元，将120维特征映射到84维，再接ReLU函数； 输出层Output，其目的是将隐层中的高维特征映射到标签空间中，该输出层包含9个神经元，得到9维的特征，利用Softmax函数得到对应样本映射到每个标签的概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院信息工程研究所，其通讯地址为：100085 北京市海淀区树村路19号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。