1. 深度学习&流量识别

文章写于2017年

1.1 卷积神经网络

常用端口号识别

基于服务主机属性

基于载荷特征/指纹识别

基于统计特征的机器学习识别*（机器学习必须要有专家知识，要有预处理。深度学习不需要手工设置特征）*

数据输入层。去均值，归一化。

卷积计算层。局部关联，窗口滑动。

激励层。把卷积层的输出结果做非线性映射（边界更清晰）。sigmold、relu（处理了梯度消失问题）两种激励函数。

池化层。夹在连续的卷积层中间，用于压缩数据和参数的量，减小过拟合。特征不变性，特征降维，防止过拟合。

全连接层。两层之间所有神经元都有权重连接，通常在神经网络尾部（一般参数也是最多的）。

怎么将深度学习应用到流量识别是一个重要问题

流量分割、流量清洗、图像生成、IDX转换

根据不同的任务自主学习出针对某个特定任务的度量距离函数。同类样本距离更近，不同样本距离远。

如何获取图像之间的相似度？

数据处理。流量分割，流量清理，流量修剪（不够则填充0x00字节）

开放集分类模型

...

主要是时间间隔，也有提取力度等因素

分类算法：机器学习和深度学习都可以