(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111474143.2 (22)申请日 2021.12.0 3 (71)申请人 成都中科微信息技 术研究院有限公 司 地址 610000 四川省成 都市天府新区湖畔 路北段269号1栋 5楼 (72)发明人 卜智勇　赵宇　鲁敏　周斌　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 代理人 张杰 (51)Int.Cl. H04L 47/2483(2022.01) H04L 47/2441(2022.01) H04L 9/40(2022.01) G06N 3/04(2006.01)G06K 9/62(2022.01) (54)发明名称 一种基于生成对抗网络与模型压缩的军用 通信加密流 量识别方法 (57)摘要 本发明提供一种基于生成对抗网络与模型 压缩的军用通信加密流量识别方法， 包括如下步 骤： S10， 构建并训练军用通信加密流量识别的大 模型； S20， 建立用于加密流量识别的压缩模型； S30， 构建并训练生成加密流量的生成网络； S40， 使用生成的加密流量并结合知识蒸馏方式训练 压缩模型， 获得训练好的压缩模型； S50， 采用训 练好的压缩模 型进行军用通信加密流量识别。 本 发明能够解决军用通信加密流量难以获得的问 题， 同时可以部署在功耗受限的军用设备(机载、 手持、 肩载设备)上。 该方法鲁棒性较强、 工作场 景可以是军用自组网或军用传感网。 权利要求书2页 说明书6页 附图3页 CN 114301850 A 2022.04.08 CN 114301850 A 1.一种基于生成对抗网络与模型压缩的军用通信加密流量识别方法， 其特征在于， 包 括如下步骤： S10， 构建并训练军用通信加密流 量识别的大模型； S20， 建立用于加密流 量识别的压缩 模型； S30， 构建并训练生成加密流 量的生成网络； S40， 使用生成的加密流量并结合知识蒸馏方式训练压缩模型， 获得训练好的压缩模 型； S50， 采用训练好的压缩 模型进行军用通信加密流 量识别。 2.根据权利要求1所述的基于生成对抗网络与模型压缩的军用通信加密流量识别方 法， 其特征在于， 步骤S10包括如下子步骤： S11， 采集某个 基地的军用通信加密流 量； S12， 对采集的加密流 量进行数据预处 理， 建立原 始加密流 量数据集； S13， 构建军用通信加密流量识别的大模型； 此大模型是一个具有参数量R的深度神经 网络， 该深度神经网络是一个包括卷积层和全连接层的卷积神经网络； S14， 使用原始加密流量数据集训练军用通信加密流量识别的大模型， 得到训练好的军 用通信加密流 量识别的大模型。 3.根据权利要求2所述的基于生成对抗网络与模型压缩的军用通信加密流量识别方 法， 其特征在于， 步骤S20包括如下子步骤： S21， 确定 裁剪比例F(0＜F＜1)； S22， 基于确定的裁剪比例F对所述大模型进行不同程度地裁剪， 得到用于加密流量识 别的压缩模型； 该压缩模型是一个具有参数量Q的深度神经网络， 该深度神经网络是一个包 括卷积层和全连接层的卷积神经网络； Q ＝(1‑F)R＜R。 4.根据权利要求3所述的基于生成对抗网络与模型压缩的军用通信加密流量识别方 法， 其特征在于， 所述压缩 模型的结构如下： (1)压缩模型的层数L， 包括 L1层卷积层和L2层全连接层， 且L1+L2＝L； (2)每层卷积层包 含Tm个卷积核， 每 个卷积核的尺寸 为Wm×Hm， 其中， m＝1,2 …,L1； (3)每层全连接层包 含Vs(s＝1,2, …,L2)个神经元； (4)激活函数为f2(·)。 5.根据权利要求1所述的基于生成对抗网络与模型压缩的军用通信加密流量识别方 法， 其特征在于， 步骤S3 0包括如下子步骤： S31， 对生成网络G的权 重参数进行随机初始化， 设置生成网络G的训练总周期为P1； S32， 随机产生 n个噪声数据， 记作 {z1,z2,…,zn}； S33， 将n个噪声数据{z1,z2,…,zn}输入到生成网络G， 产生n个虚假的加密流量， 记作 {x1,x2,…,xn}， 其中， xi＝G(zi)， i＝1,2,…,n； S34， 下载训练好的军用通信加密流量识别的大模型， 将该大模型作为判别模型， 记作 D， 将n个虚假的加密流量{x1,x2,…,xn}输入到判别模型D中 ， 产生概率输出 其中 是一个C维的列向量， C表示加密流 量的类别数目； S35， 根据公式(1)， 判断每一个虚假的加密流量xi所属的类别li， 其中， li∈(1,2,…,C)；权　利　要　求　书 1/2 页 2 CN 114301850 A 2S36， 根据公式(2)， 计算损失函数loss1的值， 用该值 反向更新生成网络G的权重参数， 其 中， f1(·)表示交叉熵损失函数； S37， 重复步骤S32～S36的训练过程直到达到生成网络G的训练总周期P1以后结束， 保存 生成网络G的结构以及参数， 即得到训练好的生成网络G。 6.根据权利要求5所述的基于生成对抗网络与模型压缩的军用通信加密流量识别方 法， 其特征在于， 所述 生成网络为卷积神经网络或者多层感知机网络 。 7.根据权利要求1所述的基于生成对抗网络与模型压缩的军用通信加密流量识别方 法， 其特征在于， 步骤S40包括如下子步骤： S41， 下载训练好的军用通信加密流量识别的大模型， 将该大模型用作教师模型并记作 T， 下载训练好的生成网络G； S42， 将步骤S20建立的用于加密流量识别的压缩模型记作A， 对压缩模型A的权重参数 进行随机初始化， 设置 压缩模型的训练总周期为P2； S43， 将训练好的生成网络G产生的t个虚假的加密流量{d1,d2,…,dt}分别输入到教师 模型T中， 得到教师模型T的最后一层的输出特征图集合 和概率值集合 该概率值集合 中每一个元素均是一个C维的列向量， C表 示加密流 量的类别数目； S44， 将训练好的生成网络G产生的t个虚假的加密流量{d1,d2,…,dt}分别输入到压缩 模型A中， 得到压缩模型A的最后一层的输出特征图集合 和概率值集合 该概率值集合 中每一个元素均是一个C维的列向量， C表 示加密流 量的类别数目； S45， 根据公式(3)， 计算损失函数loss2的值， 用该值 反向更新压缩模型A的权重参数， 其 中， f1(·)表示交叉熵损失函数， α ∈(0,1)是一个权 重因子， | |·||1表示1‑范数； S46， 重复步骤S43～S45的训练过程直到达到压缩模型A的训练总周期P2以后结束， 保存 压缩模型A的结构以及参数， 即得到训练好的压缩 模型。权　利　要　求　书 2/2 页 3 CN 114301850 A 3