針對(duì)目前網(wǎng)絡(luò)上未知二進(jìn)制協(xié)議種類(lèi)繁多、不便于管理的問(wèn)題,提出一種基于一維CNN的二進(jìn)制協(xié)議分類(lèi)方法,利用聚類(lèi)得到協(xié)議數(shù)據(jù)的標(biāo)簽進(jìn)行訓(xùn)練,直接將經(jīng)過(guò)一類(lèi)分類(lèi)的二進(jìn)制協(xié)議報(bào)文作為一維卷積神經(jīng)網(wǎng)絡(luò)的輸入,訓(xùn)練分類(lèi)模型,構(gòu)建了一個(gè)二進(jìn)制協(xié)議分類(lèi)器,能夠自動(dòng)學(xué)習(xí)原始輸入與預(yù)期輸出之間的非線性關(guān)系,實(shí)現(xiàn)協(xié)議的自動(dòng)分類(lèi)功能。這是首次將一類(lèi)分類(lèi)與CNN網(wǎng)絡(luò)應(yīng)用于二進(jìn)制協(xié)議分類(lèi)領(lǐng)域。并且針對(duì)最大頻度池化和一維卷積網(wǎng)絡(luò)作了對(duì)比試驗(yàn),驗(yàn)證了改進(jìn)的有效性。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證對(duì)協(xié)議的識(shí)別率達(dá)到了98%以上,分類(lèi)時(shí)間優(yōu)于聚類(lèi)方法。 

【文章來(lái)源】：火力與指揮控制. 2020,45(11)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

二進(jìn)制協(xié)議分類(lèi)實(shí)現(xiàn)方案

粵教跏?荼ㄎ牡姆植記榭黿?信卸稀?數(shù)據(jù)幀i與第j個(gè)聚類(lèi)中心的相似度similar（i，j）為判斷數(shù)據(jù)幀是否屬于第j個(gè)中心點(diǎn)類(lèi)簇的閾值。（1）本文提出了一種使用調(diào)整互信息的一類(lèi)分類(lèi)算法［11］。2.3構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)CNN算法應(yīng)用于協(xié)議分類(lèi)識(shí)別的第一步是要確定輸入對(duì)象的像素大小，以單條協(xié)議報(bào)文作為輸入，根據(jù)前文m值的確定，m值為144bit。在設(shè)計(jì)CNN網(wǎng)絡(luò)時(shí)需要改變其網(wǎng)絡(luò)結(jié)構(gòu)來(lái)適應(yīng)數(shù)據(jù)幀的輸入形式。本文的輸入形式為36×1。從數(shù)據(jù)維度的角度看，一維CNN就是二維CNN的一種簡(jiǎn)化。圖2為一維CNN模型的示意圖。卷積層采用局部連接和權(quán)值共享來(lái)提取特征，由于二進(jìn)制協(xié)議格式較為簡(jiǎn)單，為了提高運(yùn)算效率，設(shè)計(jì)了5層的卷積網(wǎng)絡(luò)。設(shè)輸入?yún)f(xié)議長(zhǎng)度為m，卷積核為n，偏置為b1，卷積后的特征圖為矩陣F，激活函數(shù)是S（t），則卷積獲得的特征為m-n+1。卷積公式為：（2）式中，Mi為卷積過(guò)程中與卷積核Ci相對(duì)應(yīng)的元素，并非M中的第i個(gè)元素的值。在本文中由于二進(jìn)制協(xié)議的基本單元都為正值，且數(shù)據(jù)特征比較短，特征值相差比較復(fù)雜，需要更細(xì)微的分類(lèi)判斷，符合Sigmoid函數(shù)的要求，（數(shù)據(jù)均大于零并且做歸一化處理），因此，采用Sigmoid函數(shù)作為激活函數(shù)。池化層模擬對(duì)前一層卷積獲得的特征圖進(jìn)行特征篩選，形成更抽象的目標(biāo)特征。由于在二進(jìn)制協(xié)議中，每一位的數(shù)據(jù)只代表具體含義，與大小無(wú)關(guān)。例如，00ff和1133在格式上是等價(jià)的，因而采用均值池化和最大值池化對(duì)于降維的效果都不是很好，故設(shè)計(jì)了一種最大頻度池化的方法，即用池化層內(nèi)最大頻度的數(shù)值作為該局部特征的結(jié)果，如果沒(méi)有最大頻度，則取平均值。設(shè)步長(zhǎng)為c，輸入的特征圖為F，

一類(lèi)分類(lèi)的結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于調(diào)整互信息的二進(jìn)制協(xié)議一類(lèi)分類(lèi)算法[J]. 尹世莊,王韜,陳慶超,劉麗君,張斌.  兵工自動(dòng)化. 2020(06)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的空中目標(biāo)粗分類(lèi)研究[J]. 胡大帥,梅衛(wèi),馮小雨.  火力與指揮控制. 2019(08)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的軍民融合維修保障任務(wù)區(qū)分[J]. 朱敦祥,史憲銘,蘇小波,趙汝?yáng)|.  火力與指揮控制. 2019(05)
[4]基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)音情感識(shí)別分類(lèi)[J]. 姜芃旭,傅洪亮.  電腦知識(shí)與技術(shù). 2018(18)
[5]最小化誤差平方和k-means初始聚類(lèi)中心優(yōu)化方法[J]. 周本金,陶以政,紀(jì)斌,謝永輝.  計(jì)算機(jī)工程與應(yīng)用. 2018(15)
[6]BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)確定方法研究[J]. 王嶸冰,徐紅艷,李波,馮勇.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(04)
[7]基于matlab的svm分類(lèi)預(yù)測(cè)實(shí)現(xiàn)[J]. 屈玉濤,鄧萬(wàn)宇.  信息通信. 2017(03)
[8]基于高斯模型的液氨儲(chǔ)罐泄漏擴(kuò)散仿真分析[J]. 王洪德,莫朝霞.  中國(guó)安全科學(xué)學(xué)報(bào). 2012(09)
[9]協(xié)議逆向工程研究進(jìn)展[J]. 潘璠,吳禮發(fā),杜有翔,洪征.  計(jì)算機(jī)應(yīng)用研究. 2011(08)
[10]新型背景混合高斯模型[J]. 白向峰,李艾華,李喜來(lái),李仁兵.  中國(guó)圖象圖形學(xué)報(bào). 2011(06)

碩士論文
[1]基于互信息的變量序列模型在貝葉斯網(wǎng)絡(luò)學(xué)習(xí)中的理論研究[D]. 李國(guó)洋.西北農(nóng)林科技大學(xué) 2018
[2]基于CNN的字符識(shí)別方法研究[D]. 王強(qiáng).天津師范大學(xué) 2014



本文編號(hào)：3547314