買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉北京科技大學(xué)申請的專利基于CNN+LSTM的流量終端實時識別方法及裝置獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114970680B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210459253.X，技術(shù)領(lǐng)域涉及：G06F18/241；該發(fā)明授權(quán)基于CNN+LSTM的流量終端實時識別方法及裝置是由寧煥生;魏大為;萬月亮;李莎設(shè)計研發(fā)完成，并于2022-04-26向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于CNN+LSTM的流量終端實時識別方法及裝置在說明書摘要公布了：本發(fā)明公開了一種基于CNN+LSTM的流量終端實時識別方法及裝置，該流量終端實時識別方法包括：對傳輸控制協(xié)議TCP會話進行重組；從會話中提取流量特征，并對提取出的流量特征進行預(yù)處理；構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN與長短記憶神經(jīng)網(wǎng)絡(luò)LSTM結(jié)合的深度學(xué)習(xí)模型；以預(yù)處理后的流量特征為樣本，終端信息為標(biāo)簽，構(gòu)建樣本數(shù)據(jù)集；采用遷移學(xué)習(xí)的方式，利用所述樣本數(shù)據(jù)集對所述模型進行訓(xùn)練，得到分類器；利用訓(xùn)練后的分類器進行流量分類與標(biāo)記。本發(fā)明的流量終端實時識別方法以CNN+LSTM為基礎(chǔ)，利用遷移學(xué)習(xí)的思想。通過對流量統(tǒng)計特征以及流量useragent特征的學(xué)習(xí)，實現(xiàn)了流量終端實時分類。

本發(fā)明授權(quán)基于CNN+LSTM的流量終端實時識別方法及裝置在權(quán)利要求書中公布了：1.一種基于CNN+LSTM的流量終端實時識別方法，其特征在于，包括： 對傳輸控制協(xié)議TCP會話進行重組； 從會話中提取流量特征，并對提取出的流量特征進行預(yù)處理； 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN與長短記憶神經(jīng)網(wǎng)絡(luò)LSTM結(jié)合的深度學(xué)習(xí)模型； 以預(yù)處理后的流量特征為樣本，終端信息為標(biāo)簽，構(gòu)建樣本數(shù)據(jù)集；采用遷移學(xué)習(xí)的方式，利用樣本數(shù)據(jù)集對模型進行訓(xùn)練，得到分類器； 利用訓(xùn)練后的分類器進行流量分類與標(biāo)記； 對傳輸控制協(xié)議TCP會話進行重組，包括： 提取流量包中的源IP地址、源端口、目的IP地址、目的端口及傳輸層協(xié)議號，將不同會話的TCP報文進行分類； 根據(jù)報文中的seq信息，對報文進行排序，并刪除重復(fù)數(shù)據(jù)包； 從會話中提取流量特征，包括： 從TCP會話的SYN包中提取IP五元組、IP-Timetolive、IP-ID、TCP-WindowSize、TCP-ISN以及TCP-MSS信息；從包含HTTP請求的報文中提取UserAgent信息；基于整個會話統(tǒng)計上下行報文字節(jié)數(shù)，上下行報文數(shù)以及會話時長； 從UserAgent中，使用python中的user_agent包將提取到的信息處理為設(shè)備類型、設(shè)備型號、瀏覽器類型、瀏覽器型號、操作系統(tǒng)類型和操作系統(tǒng)型號； 對提取出的流量特征進行預(yù)處理，包括： 對提取出的流量特征進行數(shù)據(jù)清洗，剔除下行流量為0的數(shù)據(jù)； 對完成數(shù)據(jù)清洗的數(shù)據(jù)，采用預(yù)設(shè)的數(shù)據(jù)標(biāo)準(zhǔn)化算法進行數(shù)據(jù)標(biāo)準(zhǔn)化； 對瀏覽器類型、瀏覽器型號、操作系統(tǒng)類型和操作系統(tǒng)型號這四類文本表示的離散型特征，使用OneHotEncoder處理為26維度特征； 對設(shè)備類型和設(shè)備型號，使用LabelEncoder處理為2維度特征； 構(gòu)建CNN與LSTM結(jié)合的深度學(xué)習(xí)模型，包括： 使用TensorFlow搭建順序的神經(jīng)網(wǎng)絡(luò)，采用一維卷積層與批歸一化層對數(shù)據(jù)特征進行提取，使用一維最大池化層進行特征選擇和信息過濾； 在卷積層后加入兩個LSTM層，進一步學(xué)習(xí)終端特征； 最后加入全連接層和輸出層； 分類器訓(xùn)練方式為：以預(yù)處理后的流量特征為樣本，終端信息為標(biāo)簽，構(gòu)建樣本數(shù)據(jù)集；采用遷移學(xué)習(xí)的方式，利用樣本數(shù)據(jù)集對模型進行訓(xùn)練，具體為： 分類器預(yù)訓(xùn)練：收集標(biāo)簽數(shù)據(jù)，進行預(yù)訓(xùn)練，包括： （1）以100個終端為1組，每個終端收集200條標(biāo)簽數(shù)據(jù)； （2）收集20組數(shù)據(jù)作為預(yù)訓(xùn)練數(shù)據(jù)； （3）使用收集的數(shù)據(jù)進行預(yù)訓(xùn)練；其中，每組預(yù)訓(xùn)練時，將輸出層重新初始化；每組數(shù)據(jù)訓(xùn)練200輪； （4）去除輸出層，存儲預(yù)訓(xùn)練模型； 分類器重訓(xùn)練：使用當(dāng)前場景的數(shù)據(jù)進行重訓(xùn)練，得到最終的分類器，包括； （1）收集一段時間內(nèi)的已標(biāo)記終端會話，將收集的一段時間內(nèi)的已標(biāo)記終端會話作為訓(xùn)練集，對分類器進行重訓(xùn)練； （2）加載預(yù)訓(xùn)練模型； （3）添加與終端數(shù)量相等的輸出層； （4）訓(xùn)練200輪； （5）存儲分類器。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人北京科技大學(xué)，其通訊地址為：100083 北京市海淀區(qū)學(xué)院路30號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。