公开(公告)号：CN115242458B

公开(公告)日：2023-07-07

申请号：CN202210748434.4

申请日：2022-06-28

Applicant: 南京邮电大学

Inventor： 王攀 ,  缪程

IPC: H04L9/40 ,  H04L47/2441 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供了一种基于SHAP的1D‑CNN网络流量分类模型的可解释方法，包括：采集网络流量数据并划分为训练集和测试集；采用主客观方式分别对每种网络流量类别的特征进行权重赋值，两者相加得到最终特征权重值；构建1D‑CNN分类模型并基于训练集进行训练，将测试数据输入训练好的模型，基于SHAP对模型预测结果进行解释，根据模型预测的分类结果选取相应网络流量类别的特征权重，再根据SHAP的解释结果，比较正反向推动结果的特征权重值之和来判断模型预测是否合理。本发明实现了对1D‑CNN网络流量分类模型进行解释，验证了模型预测的合理性，提高了模型的准确性和透明性，有效解决了模型黑匣子的问题。

公开(公告)号：CN115242458A

公开(公告)日：2022-10-25

申请号：CN202210748434.4

申请日：2022-06-28

Applicant: 南京邮电大学

Inventor： 王攀 ,  缪程

IPC: H04L9/40 ,  H04L47/2441 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明提供了一种基于SHAP的1D‑CNN网络流量分类模型的可解释方法，包括：采集网络流量数据并划分为训练集和测试集；采用主客观方式分别对每种网络流量类别的特征进行权重赋值，两者相加得到最终特征权重值；构建1D‑CNN分类模型并基于训练集进行训练，将测试数据输入训练好的模型，基于SHAP对模型预测结果进行解释，根据模型预测的分类结果选取相应网络流量类别的特征权重，再根据SHAP的解释结果，比较正反向推动结果的特征权重值之和来判断模型预测是否合理。本发明实现了对1D‑CNN网络流量分类模型进行解释，验证了模型预测的合理性，提高了模型的准确性和透明性，有效解决了模型黑匣子的问题。