1.一种基于表征学习的网络流量分类的方法,其特征在于,包括:
将获取到的网络流量数据进行预处理;
对预处理后的网络流量数据使用表征学习算法进行特征提取,将所述网络流量数据生成网络流向量;
根据所述网络流向量对所述网络流量数据进行分类。
2.根据权利要求1所述的方法,其特征在于,所述对预处理后的网络流量数据使用表征学习算法进行特征提取,包括:
采用卷积神经网络作为表征学习算法提取网络流量的特征。
3.根据权利要求1所述的方法,其特征在于,所述将获取到的网络流量数据进行预处理,包括:
将获取到的网络流量数据进行流量切分以及将切分后的流量数据的长度进行统一;
将经过切分和长度统一处理后的网络流量数据进行编码,生成特定格式的数据。
4.根据权利要求3所述的方法,其特征在于,所述编码形式为以下中的一种:独热编码、像素编码或嵌入编码。
5.根据权利要求1所述的方法,其特征在于,所述根据所述网络流向量对所述网络流量数进行分类,包括:
采用分类器根据所述网络流向量对所述网络流量数据进行分类。
6.一种基于表征学习的网络流量分类的装置,其特征在于,包括:
预处理模块,用于将获取到的网络流量数据进行预处理;
特征提取模块,用于对预处理后的网络流量数据使用表征学习算法进行特征提取,将所述网络流量数据生成网络流向量;
分类模块,用于根据所述网络流向量对所述网络流量数据进行分类。
7.根据权利要求6所述的装置,其特征在于,所述特征提取模块,用于采用卷积神经网络作为表征学习算法提取网络流量的特征。
8.根据权利要求6所述的装置,其特征在于,所述预处理模块,用于将获取到的网络流量数据进行流量切分以及将切分后的流量数据的长度进行统一;将经过切分和长度统一处理后的网络流量数据进行编码,生成特定格式的数据。
9.根据权利要求8所述的装置,其特征在于,所述编码形式为以下中的一种:独热编码、像素编码或嵌入编码。
10.根据权利要求6所述的装置,其特征在于,所述分类模块,用于采用分类器根据所述网络流向量对所述网络流量数据进行分类。