买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于CNN‑GRU的移动应用识别方法，获取移动应用数据集，对数据集进行预处理操作，构建检测模型，检测模型包括卷积神经网络模型CNN、门控循环单元GRU，卷积神经网络模型CNN用于空间的特征，门控循环单元GRU用于时序特征的提取，最后通过softmax输出检测结果，对检测模型进行训练，本发明简化了人工提取特征等操作，不需要极强的先验知识，对移动应用识别具有良好的准确率。

主权项：1.一种基于CNN-GRU的移动应用识别方法，包括以下步骤：步骤1，获取移动应用数据集，得到用于的移动应用流量数据；步骤2，对移动应用数据集进行预处理操作，使其保留原本语义的同时符合神经网络的输入，得到训练数据集；步骤3，构建检测模型，所述检测模型包括卷积神经网络模型CNN、门控循环单元GRU模型和全连接层；所述卷积神经网络模型CNN用于空间特征提取，门控循环单元GRU用于时序特征提取，经过全连接层输出检测结果；整体神经网络模型包括依次连接的卷积层一C1、池化层一S1、卷积层二C2、池化层二S2、全连接层一D1、GRU1、GRU2、全连接层D2；空间特征的学习输入为k个数据包图像，输出为网络流空间特征，即k个数据包向量；Conv1：该卷积层的卷积核数为32，单个卷积核大小为5*5，滑动步长为1，采用Relu函数对结果进行非线性映射，输出特征的映射维数为32，经过该层后的特征映射为32*21*21；MaxPooling1：该池化层大小为2*2，滑动步长为2，采用最大池化策略，经过该层后的特征映射为32*11*11；Conv2：该卷积层的卷积核数为64，单个卷积核大小为3*3，滑动步长为1，采用Relu函数对结果进行非线性映射，经过该层后的特征映射为64*9*9；MaxPooling2：该池化层大小为2*2，滑动步长为2，采用最大池化策略，经过该层后的特征映射为64*5*5；Dense：全连接层的神经元个数为128个，使用Relu函数后进行dropout策略丢弃20％的特征；卷积神经网络对每个流量数据包分别进行空间特征学习，每个数据包经过信息提取处理后进行独热编码，编码转换后得到的数据包图像经过模型卷积层和池化层的对应处理，最终得到包含数据包独有特征的向量；GRU将经过CNN输出的特征映射向量作为输入，输出网络时序特征的学习，输入为k个特征映射向量组成，输出为网络流时序特征向量；步骤4，利用训练数据集，对检测模型进行训练，一轮网络的训练由一次前向传导过程和一次反向传播过程组成；首先是经过整个检测模型逐层传递学习的特征值，然后给出检测模型的预测；再通过交叉熵损失函数计算出预测值与真实值之间的损失值，这是一轮前向传导；反向传播过程将根据损失值，对整个检测模型中的参数进行优化更新；最终得到训练好的检测模型，然后利用训练优化完成后的检测模型进行移动应用识别。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于CNN-GRU的移动应用识别方法