基于自注意力机制的无边界应用动作识别方法

摘 要 近年来，工业互联网获得了飞速的发展.但是和传统互联网一样，工业互联网也面临着大量的网络攻击威胁和敏感信息泄露风险.而流量识别技术，特别是细粒度的应用动作识别技术，可以辅助网络管理者对异常行为进行检测和及早发现隐私泄露风险，保障工业互联网的安全.然而，现有动作识别技术依赖对流量数据中动作边界的预先分割，无法识别无边界的动作，难以应用于实际场景.为解决这一问题，提出一种无边界动作识别算法：首先构建基于自注意力机制的包级识别模型，对数据包进行动作分类；然后提出动作聚合算法，从数据包的分类结果中聚合出动作序列；最后，建立2种新指标来衡量识别结果的好坏.为验证算法的可行性，以微信为实例进行实验，结果表明该模型能够取得最高超过90%的序列识别精度.这一研究成果将有望极大推动应用动作识别技术的实用化.

关键词 工业互联网；流量分类；动作识别；深度学习；自注意力

工业互联网是近年来工业制造与互联网、大数据、云计算、人工智能等技术不断发展并走向深度融合的产物，是工业生产的重要发展趋势.我国于2013年提出“中国制造2025”战略，全面推动工业制造走向数字化、智能化[1].然而，工业互联网同时也是网络攻击的重要目标，面临着众多的安全威胁.《工业互联网平台安全白皮书(2020)》指出[2]，我国许多工业互联网平台遭受网络攻击多达平均每日90次，而用户的安全意识却普遍淡薄.

工业互联网安全威胁主要分布在工业数据、工业应用层、工业云平台服务层、工业云基础设施层、边缘计算层等5个层次.其中，工业数据层、应用层和云平台服务层面临的网络攻击威胁和敏感数据泄露风险，在传统互联网中也存在.过去几十年的研究中，研究者们经常使用流量识别技术辅