基于卷积神经网络的业务识别

王佳妮，王云峰，夏振飞，赵力强

(西安电子科技大学，陕西 西安 710071)

0 引言

网络业务识别问题由来已久。传统的业务识别在获取特征时较困难，影响业务识别的精准度，而现有的特征选择与提取方法需要研究者付出大量的时间和精力。因此简化业务识别特征的提取方法是本文的研究重点。

文献[1-4]使用支持向量机、朴素贝叶斯等方法对流量特征、有效载荷特征和混合特征进行分类。针对软件定义网络(Software Defiend Network,SDN)网络，大多数业务识别方案主要运用人工提取特征的方法或者直接使用公开的数据集[5-6]，但是存在特征提取较为复杂，特征提取工程的设计严重影响识别的精度等问题。深度学习则可以避免这类问题，在业务识别中具有许多优势[7]。文献[8]提出在业务识别中引入卷积神经网络(Convolutional Neural Network,CNN)模型的方法，把分组序列转化成图像，获得了较高的分类准确率。但考虑到实际情况下网络采集到的样本数有限，不利于模型的训练，文献[9]充分利用生成对抗网络(Generative Adversarial Network,GAN)数据扩充的优势，为样本较少的类生成流量数据。因此，本文针对上述问题，研究了一种基于CNN的业务识别。

1 基于CNN的业务识别系统

1.1 系统模型

传统的封闭式网络架构无法同物联网业务和垂直行业的差异化需求相适配。SDN作为一种新的网络技术，在体系架构、运行方式上发生了很大变化。因此，本文利用SDN集中式控制的特点，在SDN的3层网络架构中引入了CNN和GAN，设计了如图1所示的基于CNN的业务识别系统模型。

图1 系统模型Fig.1 System model