摘要：网络流量加密的广泛应用给加密流量快速准确分类带来了新的挑战。针对该问题,提出了一种并联融合卷积神经网络与循环神经网络的分类方法,卷积神经网络与循环神经网络分别提取加密流量的空间特征与时序特征,根据时空特征对加密流量进行分类,实验表明,该文所提出模型相较于现有的单一模型和串联融合模型在识别准确率上分别提高了14.07%和2.79%,训练效率下降了10%以内,该文所提出模型性能优于现有模型。

摘要：针对调制信号识别精度不足的问题,提出了基于卷积神经网络和注意力机制的识别方法。该方法在卷积神经网络的卷积层与池化层之间增加了注意力机制,赋予调制信号关键特征更高的权重,对信号进行时频分析并转换为频谱图作为模型的输入,模型分别对八种数字调制信号及三种模拟调制信号进行识别。按照控制变量原理设置了两组对比实验,将该文方法与现有方法进行对比,实验结果表明,该文方法在信噪比为-10~14 dB时,识别准确率提高了0%~9%,在信噪比为0 dB时准确率提高了近9%,由实验结果可知该文提出的方法优于现有方法。