CN115361195B 一种基于时空代价成本的大规模物联网流量多分类方法 （南京邮电大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115361195B(45)授权公告日2025.07.04

(21)申请号202210983986.3

(22)申请日2022.08.17

(65)同一申请的已公布的文献号申请公布号CN115361195A

(43)申请公布日2022.11.18

(73)专利权人南京邮电大学

地址210037江苏省南京市鼓楼区新模范

马路66号

(72)发明人徐小龙朱士洲

(74)专利代理机构南京纵横知识产权代理有限公司32224

专利代理师韩红莉

(51)Int.CI.

HO4L9/40(2022.01)

HO4L41/147(2022.01)

HO4L41/16(2022.01)

HO4L43/04(2022.01)

HO4L43/0876(2022.01)

GO6F18/241(2023.01)

GO6F18/2415(2023.01)

GO6N3/0442(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN110730140A,2020.01.24CN113746707A,2021.12.03

审查员曹茂洁

权利要求书3页说明书13页附图6页

(54)发明名称

一种基于时空代价成本的大规模物联网流量多分类方法

(57)摘要

CN115361195B本发明公开一种基于时空代价成本的大规模物联网流量多分类方法，获取待识别的物联网异常及加密流量；将待识别的物联网异常及加密流量输入预先训练的目标网络模型，获得类别预测向量和对应的预测标签。预先训练目标网络模型：根据格式化后物联网异常及加密流量样本数量相对分布，创建成本代价矩阵；将格式化样本向量集合和成本代价矩阵输入构建的目标网络模型中，得到多分类预测序列；提取多分类预测序列中的类别预测向量，类别预测向量代表物联网异常及加密流量样本所属各个类别对应的最

CN115361195B

练

CN115361195B权利要求书1/3页

2

1.一种基于时空代价成本的大规模物联网流量多分类方法，其特征在于，包括：

获取待识别的物联网异常及加密流量；

将待识别的物联网异常及加密流量输入预先训练的目标网络模型，获得类别预测向量和对应的预测标签；

预先训练目标网络模型，通过以下步骤实现：

获取训练集，训练集包括不同类别的物联网异常及加密流量样本、格式化样本向量集合和物联网异常及加密流量样本的真实标签；

根据格式化后物联网异常及加密流量样本数量相对分布，创建成本代价矩阵；

将格式化样本向量集合和成本代价矩阵输入构建的目标网络模型中，得到多分类预测序列；

提取多分类预测序列中的类别预测向量，类别预测向量代表物联网异常及加密流量样本所属各个类别对应的最终预测值；

根据最终预测值中的最大值，获取对应的类别和对应类别的预测标签；

预先训练目标网络模型，还包括：

将格式化样本向量视为具有时序关系的n步序列，每步长为m,输入目标网络模型，每步输入1×m的格式化样本向量；

将输入的格式化样本向量分别接入向前和向后的两个LSTM中，捕获数据包前后的时序特征；

将数据包前后的时序特征作为空间特征提取的输入，使用一维卷积方法进行提取；

目标网络模型输出类别预测向量；

其中，输出的类别预测向量中的每一个值代表物联网异常及加密流量样本对应每一类的真实度预测P;

利用成本代价矩阵计算物联网异常及加密流量样本的各个类别的成本代价Cost;,j;

PA=yt*yp

成本代价惩罚的表达式为：其中，Yt为真实标签向量；

yi=yp+yt*(PA*Cost;,j)

Yp为预测标签向量，包括物联网异常及加密流量样本所属各个类别对应的最终预测值；PA值为预测标签向量中真实类别对应的预测值；Yi为成本代价矩阵施加成本代价惩罚后更新的类别预测向量；Costi,j为成本代价。

2.根据权利要求1所述的一种基于时空代价成本的大规模物联网流量多分类方法，其特征在于，预先训练目标网络模型，还包括：

判断物联网异常及加密流量样本的真