1.一种基于迁移学习的半监督网络流量分类方法,其特征在于,具体包括以下步骤:步骤1:提取网络流量数据的统计特征并使用皮尔森相关系数进行筛选;具体包括:步骤11:通过软件捕获网络流量数据,所述网络流量数据包括无标签数据和有标签数据,所述无标签数据的数量大于所述有标签数据的数量;
步骤12:提取所述网络流量数据中每一个数据包的关键信息;
步骤13:根据所述网络流量数据中每条流的前45个数据包的关键信息计算得到统计特征;
步骤14:使用皮尔森相关系数,从所述流的统计特征中筛选出能有效识别网络流量类别的关键统计特征,并将其分为有标签和无标签两部分;
步骤2:将筛选之后的统计特征输入预训练模型并保存所述预训练模型学习到的参数;
具体包括:
步骤21:将所述无标签数据的关键统计特征转化为无标签数据向量矩阵作为所述预训练模型的输入;
步骤22:搭建所述预训练模型,设置所述预训练模型的初始学习率为0.001,批量大小为32,迭代次数为150;
步骤23:将步骤21所述无标签数据向量矩阵输入所述预训练模型进行预训练;
步骤24:预训练结束后将所述预训练模型各层的参数保存;
步骤3:将所述预训练模型迁移到具有更多线性层的重新训练模型中,并对所述重新训练模型重新训练得到分类器,用于分类网络流量;具体包括:步骤31:将所述有标签数据按照7:3的比例划分为训练集和测试集,将所述训练集的关键统计特征转化为训练集向量矩阵作为所述重新训练模型的输入;
步骤32:搭建所述重新训练模型,将步骤24中训练好的所述预训练模型迁移到具有更多线性层的所述重新训练模型上;
步骤33:设置所述重新训练模型的初始学习率为0.001,批量大小为64,迭代次数为
100;
步骤34:训练完后的所述重新训练模型作为分类器,用于分类网络流量。
2.根据权利要求1所述的基于迁移学习的半监督网络流量分类方法,其特征在于:步骤
1所述统计特征共有116个。
3.根据权利要求2所述的基于迁移学习的半监督网络流量分类方法,其特征在于:通过所述皮尔森相关系数筛选出相关性小于0.9的90个所述统计特征。
4.根据权利要求3所述的基于迁移学习的半监督网络流量分类方法,其特征在于:所述皮尔森相关系数计算公式为:其中 和 代表不同样本的不同统计特征序列。
5.根据权利要求1所述的基于迁移学习的半监督网络流量分类方法,其特征在于:步骤
12中所述关键信息包括数据包到达时间、数据包协议、数据包源IP地址、数据包目的IP地址、数据包大小。
6.根据权利要求1所述的基于迁移学习的半监督网络流量分类方法,其特征在于:所述预训练模型不包含用于分类的Softmax层,所述预训练模型最后输出的为所述统计特征。
7.根据权利要求1所述的基于迁移学习的半监督网络流量分类方法,其特征在于:所述重新训练模型中加入两个全连接层对所述统计特征进行降维和一个Softmax层用于得到最终的分类结果。