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！

龙图腾网获悉北京理工大学申请的专利一种基于高鲁棒流量特征表示的加密流量分类方法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：CN117093905B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202310314335.X，技术领域涉及：G06F18/241；该发明授权一种基于高鲁棒流量特征表示的加密流量分类方法是由沈蒙;季克欣;贾冀哲;吴金贺;祝烈煌设计研发完成，并于2023-03-28向国家知识产权局提交的专利申请。

本一种基于高鲁棒流量特征表示的加密流量分类方法在说明书摘要公布了：本发明提出了一种基于高鲁棒流量特征表示的加密流量分类方法，属于互联网加密流量分类技术领域。本方法通过分析流量特征在正常和混淆加密流量中的信息泄露，发现每个时间间隔内发送的数据包数量在不同流量间具有较强的区分性和鲁棒性。在此基础上，细化特征表示粒度并引入数据包方向信息，即统计每个时隙内上下行数据包的数量，构建出流量聚合矩阵。最后，对卷积神经网络等深度神经网络进行训练，获得更鲁棒的加密流量分类模型。与现有加密流量分类技术相比，本方法不仅可以精准分类加密流量，而且可以在加密流量通过混淆或分割技术隐藏其明显特征的场景下，提供更高的有效性和鲁棒性。

本发明授权一种基于高鲁棒流量特征表示的加密流量分类方法在权利要求书中公布了：1.一种基于高鲁棒流量特征表示的加密流量分类方法，其特征在于，包括以下步骤： 步骤1：从网络加密流量中构造流量聚合矩阵； 步骤1.1：从已知类别的加密流量数据包中，提取出构造流量聚合矩阵的元信息； 首先，从网络中获取一条加密流量F，其类别为c，F中包含l个数据包：F＝f1,f2,…,fl，fi为第i个数据包； 然后，提取每个数据包的元信息fk，fk＝tk,dk，tk和dk分别表示第k个数据包的到达时间和方向，dk＝1表示为上行数据包，dk＝-1表示为下行数据包； 步骤1.2：构建流量聚合矩阵； 设置加密流量的最长加载时间为T，流量聚合矩阵将加载时间T划分等长的时隙s，并统计每个时隙中上行和下行数据包的数量，构成一个2×N的矩阵N；其中，N为流量聚合矩阵中时隙的个数，由Ts计算得到；矩阵中的元素mij∈M代表第j个时隙当中上行i＝1和下行i＝2数据包的数量； 首先，初始化一个2×N全零矩阵M，对于一条加密流量F中的每个数据包fk＝tk,dk，通过计算它在M中的列坐标j；如果j大于N，则直接丢弃该数据包；否则，通过该数据包的方向dk确定它的行坐标i，即dk＝1时i＝1，dk＝-1时i＝2； 然后，根据得到的行列坐标i,j将M的对应位置mij加1； 最后，得到的矩阵M即为该加密流量会话F对应的流量聚合矩阵； 步骤2：构建卷积神经网络分类器； 分类器包括三个部分：二维卷积块、一维卷积块和一个全局平均池化层； 其中，二维卷积块负责从流量聚合矩阵中的行和列中提取鲁棒的可区分局部特征；局部特征包括流量聚合矩阵同一列中的元素代表同一时间段内传入和传出的数据包数量，反映上下行流量之间的交互，而同一行中的两个相邻元素代表连续两个时间段内同方向的数据包数量，反映流量的波动； 在经过两个二维卷积块后，流量聚合矩阵将通过最大池化融合成一维特征图；一维卷积块此时有助于提取更高层次的特征；全局平均池化层被用来取代全连接层，减轻过拟合，经过SoftMax函数计算后，得到每个类别的概率； 步骤3：利用步骤1得到的流量聚合矩阵，对步骤2中的卷积神经网络分类器进行训练； 训练时，使用交叉熵作为损失函数计算分类器预测值与真实值y之间的差异L，如下式所示： 其中，|X|是输入到卷积神经网络的流量聚合矩阵个数，|C|代表加密流量的类别集合，yij、分别表示第i个矩阵为第j的个类别的真实概率和预测概率； 步骤4：使用训练好的卷积神经网络对加密流量进行分类。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。