-
公开(公告)号：CN111865815A
公开(公告)日：2020-10-30
申请号：CN202011011910.1
申请日：2020-09-24
申请人： 中国人民解放军国防科技大学
IPC分类号： H04L12/801 , H04L12/851 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提出了一种基于联邦学习的流量分类方法及系统，所述系统由流量采集标记模块、特征提取处理模块、联邦深度分类器组成，基于深度学习的方法和联邦学习的框架，在多个客户端本地搜集流量，并基于本地端口和应用的映射关系对流量进行标记，使用卷积神经网络作为分类器进行训练以获得梯度，服务器对收到的所有用户的梯度数据进行聚合，得到联合CNN模型参数，客户端根据加密梯度更新各自的模型，经过多个回合迭代，确定最终的CNN模型。本发明的技术方案标记速度快，准确率高，并且由于基于联邦学习的训练模式只在客户端本地进行训练，而不上传网络流量数据集，有效避免了对用户隐私的侵犯。
-
公开(公告)号：CN111865815B
公开(公告)日：2020-11-24
申请号：CN202011011910.1
申请日：2020-09-24
申请人： 中国人民解放军国防科技大学
IPC分类号： H04L12/801 , H04L12/851 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提出了一种基于联邦学习的流量分类方法及系统，所述系统由流量采集标记模块、特征提取处理模块、联邦深度分类器组成，基于深度学习的方法和联邦学习的框架，在多个客户端本地搜集流量，并基于本地端口和应用的映射关系对流量进行标记，使用卷积神经网络作为分类器进行训练以获得梯度，服务器对收到的所有用户的梯度数据进行聚合，得到联合CNN模型参数，客户端根据加密梯度更新各自的模型，经过多个回合迭代，确定最终的CNN模型。本发明的技术方案标记速度快，准确率高，并且由于基于联邦学习的训练模式只在客户端本地进行训练，而不上传网络流量数据集，有效避免了对用户隐私的侵犯。
-
公开(公告)号：CN115412465B
公开(公告)日：2023-06-20
申请号：CN202210814141.1
申请日：2022-07-11
申请人： 中国人民解放军国防科技大学
IPC分类号： H04L43/0876 , H04L9/40 , H04L67/1097 , H04L67/14 , H04L69/16
摘要： 本发明提出了一种基于客户端生成分布式真实网络流量数据集的方法及系统，所述方法由协同服务器、流量捕捉存储模块、映射表查询维护模块、流量标记处理模块组成；该方法通过服务器指挥各客户端开始或停止流量采集、并分发流量类型细分表至各客户端，各客户端结合内核状态查询和流量类型细分表得到五元组与标记的映射表，用于完成网络流量会话流的细分标记，并将数据集分别存储在各客户端。本发明获得的分布式网络流量数据集可以采用联邦学习等方法来使用数据集进行模型训练，可得到网络流量分类模型等成果应用与网络运维管理、安全防护等诸多领域，具有流量标记准确、流量类型多且可扩展、流量数据集动态更新、用户隐私安全性强等优点。
-
公开(公告)号：CN115412465A
公开(公告)日：2022-11-29
申请号：CN202210814141.1
申请日：2022-07-11
申请人： 中国人民解放军国防科技大学
IPC分类号： H04L43/0876 , H04L9/40 , H04L67/1097 , H04L67/14 , H04L69/16
摘要： 本发明提出了一种基于客户端生成分布式真实网络流量数据集的方法及系统，所述方法由协同服务器、流量捕捉存储模块、映射表查询维护模块、流量标记处理模块组成；该方法通过服务器指挥各客户端开始或停止流量采集、并分发流量类型细分表至各客户端，各客户端结合内核状态查询和流量类型细分表得到五元组与标记的映射表，用于完成网络流量会话流的细分标记，并将数据集分别存储在各客户端。本发明获得的分布式网络流量数据集可以采用联邦学习等方法来使用数据集进行模型训练，可得到网络流量分类模型等成果应用与网络运维管理、安全防护等诸多领域，具有流量标记准确、流量类型多且可扩展、流量数据集动态更新、用户隐私安全性强等优点。
-
-
-
搜索结果
4 条记录 (耗时 0.032 秒)
