申请/专利权人:西安理工大学
申请日:2024-01-22
公开(公告)日:2024-04-19
公开(公告)号:CN117914599A
主分类号:H04L9/40
分类号:H04L9/40
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.07#实质审查的生效;2024.04.19#公开
摘要:本发明公开了基于图神经网络的移动网络恶意流量识别方法,具体按照如下步骤实施:步骤1,采集5G网络中的流量数据并进行特征提取以及标注;步骤2,经过XGBoost模型训练获取所有特征列对应的重要性评分,筛选出评分前24名的特征;步骤3,构建数据集,并将数据集划分为训练集和测试集;步骤4,构建恶意流量预测模型EgraphSAGE;步骤5,采用训练集对步骤4构建恶意流量预测模型EgraphSAGE进行训练,得到分类模型;步骤6,将测试集输入到分类模型中,评估分类模型的性能。本发明解决了现有技术中存在的机器学习方法因忽略了流量间的关系只关注于流量本身特征导致的对恶意流量识别准确率差的问题。
主权项:1.基于图神经网络的移动网络恶意流量识别方法,其特征在于,具体按照如下步骤实施:步骤1,采集5G网络中的流量数据,然后通过CICFlowmeter工具对采集的流量数据进行特征提取,每条流量数据包含84列特征,人工对提取的label特征进行标注,标注后的数据作为原始数据;步骤2,对原始数据进行预处理,丢弃每个预处理后的原始数据中的SrcIP,DstIP,SrcPort,DstPort四个特征,然后将丢弃上述四个特征的原始数据经过XGBoost模型训练获取所有特征列对应的重要性评分,筛选出评分前24名的特征;步骤3,将步骤2提取的原始数据中的评分前24名的特征与丢弃的SrcIP,DstIP,SrcPort,DstPort四个特征合并,得到新的数据集,并将数据集划分为训练集和测试集;步骤4,构建恶意流量预测模型EgraphSAGE;步骤5,采用训练集对步骤4构建恶意流量预测模型EgraphSAGE进行训练,得到分类模型;步骤6,将测试集输入到分类模型中,评估分类模型的性能。
全文数据:
权利要求:
百度查询: 西安理工大学 基于图神经网络的移动网络恶意流量识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。