張文君， 陳丹偉

南京郵電大學(xué) 計算機學(xué)院、軟件學(xué)院、網(wǎng)絡(luò)空間安全學(xué)院，南京 210000

隨著移動設(shè)備智能化程度的提高，手機承載了諸多以前只能通過電腦實現(xiàn)的功能和任務(wù)．與此同時，5G已經(jīng)漸漸進入我們的日常生活，2015-2020年中國手機即時通信用戶規(guī)模逐年增長．事實上，網(wǎng)絡(luò)性能的大幅提升不僅為即時通信類別的應(yīng)用帶來了較大改變，同時也使得移動設(shè)備能夠為生活、工作、娛樂等各方面的應(yīng)用需求提供支持．由此可見，5G對移動端應(yīng)用市場的蓬勃發(fā)展起到了極大的促進作用．

用戶在使用每個移動端的應(yīng)用時會產(chǎn)生各種各樣的網(wǎng)絡(luò)流量，通過分析這些流量可以獲取很多信息．比如，第一，可以對用戶的行為作出分析，或者對某個地區(qū)某個年齡的用戶行為作出分析，從而刻畫出用戶形象以便更好地推薦；第二，可以實現(xiàn)從攻擊者的視角盡早發(fā)現(xiàn)一些有惡性行為的應(yīng)用并進行防范，從而避免出現(xiàn)隱私泄露等安全問題；第三，可以滿足某些場景或企業(yè)的個性化需求，提高網(wǎng)絡(luò)服務(wù)質(zhì)量．

傳統(tǒng)的移動應(yīng)用流量識別主要有3種方式，基于端口號識別、基于DPI深度包檢測識別和基于機器學(xué)習(xí)的方式．其中，基于端口號和DPI深度包檢測的流量識別方法是依靠研究人員制訂的規(guī)則來進行匹配和識別的，此外，基于統(tǒng)計和基于行為的方法都屬于傳統(tǒng)的機器學(xué)習(xí)方法，故仍需要手工進行特征選擇后，模型才能依據(jù)既定特征對待識別樣本進行識別．然而，隨著近幾年深度學(xué)習(xí)在各領(lǐng)域的大放異彩，研究學(xué)者開始嘗試用深度學(xué)習(xí)解決傳統(tǒng)流量識別方法中的問題．圖1展示了不同流量識別方法的具體流程，深色塊表示機器完成的部分．可以看出，使用深度學(xué)習(xí)方式可以省略人工進行特征設(shè)計的步驟，這已在圖像分類、自然語言處理等多個領(lǐng)域得到了驗證．鑒于此，在流量識別領(lǐng)域我們同樣能夠借助深度學(xué)習(xí)來提高流量識別的能力．同時，考慮到在實際應(yīng)用場景中移動應(yīng)用迭代頻繁的情況，本文采用了元學(xué)習(xí)多任務(wù)訓(xùn)練的方式，解決了識別模型冷啟動的問題，實現(xiàn)了小樣本場景下的移動應(yīng)用行為識別．

圖1 不同流量識別方式的流程

1 國內(nèi)外相關(guān)研究工作

網(wǎng)絡(luò)流量分析[1-3]一直是網(wǎng)絡(luò)安全領(lǐng)域一個重要的研究方向．如今人們對手機的依賴程度越來越高，手機承載著我們越來越多的隱私信息，例如，照片、定位信息、文件甚至是各類金融信息，因此我們嘗試通過對移動應(yīng)用使用中產(chǎn)生的網(wǎng)絡(luò)流量進行分析，識別用戶的行為[4]，來達到分析用戶的行為模式或者是用于場景化管理[5-6]的目的．網(wǎng)絡(luò)流量分析一般分為流量采集、流量處理、特征分析、結(jié)果評估4個步驟．

近年來越來越多研究人員開始利用網(wǎng)絡(luò)流量來識別移動應(yīng)用中用戶的行為，Coull等人[6]在研究iMessage用戶產(chǎn)生的流量時，盡管iMessage對流量進行了加密處理，但通過分析用戶與蘋果服務(wù)器交互時產(chǎn)生的網(wǎng)絡(luò)數(shù)據(jù)包的大小等側(cè)面信息，仍可以獲取用戶的相關(guān)操作特征，例如可以識別出消息的長度、語言的種類等，同時，對發(fā)消息的行為，包括輸入狀態(tài)和閱讀狀態(tài)等5種行為進行了區(qū)分，正確率在90%以上．Lee等人[7]研究了韓國的一款通信移動應(yīng)用，在對用戶發(fā)消息、發(fā)圖片、添加好友等11種行為產(chǎn)生的網(wǎng)絡(luò)流量差異進行分析時，通過提取這些加密數(shù)據(jù)流的數(shù)據(jù)報文也能夠?qū)τ脩舻男袨檫M行識別．Li等人[8]提出在進行移動應(yīng)用行為識別時，選取數(shù)據(jù)報文的時間序列和長度序列作為特征進行分析，也可以不受加密的影響．

上述文獻使用的都是傳統(tǒng)的分步策略，目前深度學(xué)習(xí)已經(jīng)漸漸開始取代手工設(shè)計特征[9]的操作過程．Nan等人[10]提出將原始的網(wǎng)絡(luò)數(shù)據(jù)流量直接作為輸入，使用一種基于棧式自編碼器SAE的識別方法，開創(chuàng)了端到端方法識別流量的先河．王偉[11]同樣是將原始的網(wǎng)絡(luò)數(shù)據(jù)流量直接作為輸入，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)來輸出模型的分類結(jié)果，將網(wǎng)絡(luò)流量的識別很好地與深度學(xué)習(xí)方式結(jié)合到了一起，并且取得了很好的實驗效果．因此，采用深度學(xué)習(xí)的方式，對網(wǎng)絡(luò)流量的原始數(shù)據(jù)進行學(xué)習(xí)在流量識別領(lǐng)域是可行且效果可觀的．

2 基于雙域注意力和元學(xué)習(xí)的移動應(yīng)用行為識別方法

基于雙域注意力機制和元學(xué)習(xí)的移動應(yīng)用行為識別分類模型如圖2所示，在對流量數(shù)據(jù)進行可視化操作后，利用深度可分離卷積、雙域注意力和元學(xué)習(xí)訓(xùn)練策略[12]等模塊來完成在小樣本情況下的移動應(yīng)用行為識別任務(wù)．其中，用深度可分離卷積取代常規(guī)卷積操作，是為了在確保識別準(zhǔn)確率的同時降低模型參數(shù)量，實現(xiàn)更好的泛化性；使用雙域注意力模塊，可以從通道域和空間域2個方面提高輸入特征圖中有用信息的權(quán)重，抑制無用信息，提高識別的準(zhǔn)確率；使用元學(xué)習(xí)的訓(xùn)練方式，將雙域注意力模型作為行為識別的基礎(chǔ)模型，經(jīng)過大量多任務(wù)訓(xùn)練后，能夠解決識別模型的冷啟動問題，實現(xiàn)在小樣本情況時的移動應(yīng)用行為特征識別．

圖2 本文的移動應(yīng)用行為識別模型

2.1 采用深度可分離卷積提取特征

在對訓(xùn)練圖片進行預(yù)處理后，特征提取部分本文使用深度可分離卷積來代替常規(guī)的卷積操作．采用深度可分離卷積(Depthwise Separable Convolution)的目的是通過減少模型的參數(shù)來提高計算的效率．

深度可分離卷積主要由逐通道卷積和逐點卷積2個部分組成．逐通道卷積(Depthwise Convolution)是作用于通道層面，如圖3a所示展示的是逐通道卷積的模型，一個卷積核對應(yīng)一個通道．逐點卷積(Pointwise Convolution)與常規(guī)的卷積類似，如圖3b所示展示的是逐點卷積的模型，其實就是將上一步得到的特征圖在深度上進行加權(quán)組合，那么相比于標(biāo)準(zhǔn)的卷積操作[13]，深度可分離卷積需要計算的參數(shù)數(shù)量要少很多，計算公式如下所示

圖3 深度可分離卷積示意圖

(1)

其中，H為圖片的高度，W為圖片的寬度，C為通道數(shù)，N為通道數(shù)的個數(shù)．

本文在特征提取部分使用深度可分離卷積并非強行用精度換時間，在深度卷積的部分沒有讓通道之間的數(shù)據(jù)互相影響，逐點卷積又讓通道間信息產(chǎn)生交互，用更低通道的特征圖來存儲特征信息．在實際的實驗中，谷歌團隊的MobileNet相比于VGG16和GoogleNet在保持精度的情況下，大大減少了模型的計算參數(shù)，提高了效率．綜上所述，本文使用深度可分離卷積來進行行為特征識別工作．

2.2 雙域注意力

應(yīng)用行為轉(zhuǎn)化的灰度圖其實也包含較多無關(guān)信息，例如在生成圖片時用于補足長度的黑色部分，或者是流量信息的固定格式等．為了降低無關(guān)信息的干擾影響，并且模型能在分類中的效果和效率都有所提升．本文在卷積操作后引入了雙域注意力模塊，這樣能在學(xué)習(xí)的過程中更加關(guān)注對于分類有幫助的信息．本文使用的雙域注意力模塊如圖4所示．

圖4 雙域注意力模塊

對于空間注意力來說，由于將每個通道中的特征都做同等處理，忽略了通道間的信息交互；而通道注意力則是將一個通道內(nèi)的信息直接進行全局處理，容易忽略空間內(nèi)的信息交互．因此，將兩者結(jié)合作用于本文的行為識別任務(wù)中．

1) 通道注意力的計算

常規(guī)雙域注意力中通道注意力的計算，首先是對輸入特征圖進行基于全局平均池化的預(yù)處理，然后進行通道注意力的提取．但是，從頻域的角度進行分析后發(fā)現(xiàn)，全局平均池化只是頻域中特征分解的特例，因此直接做全局平均池化會損失很多重要信息．本文的通道注意力是基于DCT頻域分析進行的，其計算公式為

h∈{0，1，…，H-1}，w∈{0，1，…，W-1}

(2)

Freqi=2DDCT(Xi)i∈{0，1，…，n-1}

(3)

其中，Xi表示第i個通道的特征圖，n表示總通道數(shù)， 2D表示計算的是二維頻域，DCT表示將Xi作為輸入，則n個通道的注意力預(yù)處理結(jié)果進行拼接后可以表示為

Freq=cat([Freq0，F(xiàn)req1，…，F(xiàn)reqn-1])

(4)

其中，cat函數(shù)表示將多個元素收尾拼接起來，則通道注意力的計算公式為

Mapc(F)=σ(W0(Freq))

(5)

其中，Mapc(F)表示待生成的通道注意力，σ表示Sigmoid激活函數(shù)，用來將注意力權(quán)重縮放為[0，1]，W0表示通道注意力中神經(jīng)網(wǎng)絡(luò)全連接層的參數(shù)，W0是需要進行學(xué)習(xí)的．

2) 空間注意力的計算

空間注意力將通道注意力模塊的輸出作為輸入．首先，將輸入的特征圖進行全局最大池化和全局平均池化處理，然后，將得到的結(jié)果進行拼接，經(jīng)過一個卷積操作后降維到一個通道寬度的特征圖，經(jīng)過Sigmoid函數(shù)激活后生成空間注意力特征圖，再與輸入的特征圖相乘，得到最后生成的特征圖．計算公式如下所示

Maps(F)=σ(F7*7([AvgPool(F)；MaxPool(F)]))

(6)

2.3 元學(xué)習(xí)

本文使用元學(xué)習(xí)[14-16]作為模型的學(xué)習(xí)器，即將含雙域注意力的識別模型作為基礎(chǔ)模型，再使用元學(xué)習(xí)的方式同時進行多個訓(xùn)練任務(wù)，然后通過獲取不同任務(wù)合成的梯度方向來更新學(xué)習(xí)器．

一般的深度學(xué)習(xí)是將訓(xùn)練數(shù)據(jù)分為不同的批次，而對于元學(xué)習(xí)而言，是將訓(xùn)練數(shù)據(jù)分為不同的任務(wù)[17-19]，用于訓(xùn)練的任務(wù)稱為訓(xùn)練任務(wù)T={T1，T2，T3，…}，而在每一個任務(wù)里又分了支持集和請求集，支持集對應(yīng)了傳統(tǒng)深度學(xué)習(xí)中的訓(xùn)練數(shù)據(jù)集，請求集則對應(yīng)了傳統(tǒng)深度學(xué)習(xí)中的測試數(shù)據(jù)集，在每一輪訓(xùn)練中，對于當(dāng)前task，使用支持集來訓(xùn)練該模型，再用請求集去驗證計算誤差來更新學(xué)習(xí)器的參數(shù)．用于測試的任務(wù)我們稱為測試任務(wù)，那么對于這一部分的任務(wù)而言，也是分了2個數(shù)據(jù)集，即支持集和請求集，一個用于在F上訓(xùn)練找到一個適合這個分類任務(wù)的f，另一個用于在實際的分類器上進行分類，檢驗產(chǎn)生的f的分類效果，從而評價F的學(xué)習(xí)能力[20]．對于分類任務(wù)我們使用的損失函數(shù)是交叉熵?fù)p失函數(shù)，則

(7)

其中，N指的是類別的數(shù)量，y用0或者1來表示與該類是否相同，P表示在識別模型中預(yù)測這個樣本屬于某個類別的概率．

在具體實現(xiàn)一輪訓(xùn)練任務(wù)的時候，首輪任務(wù)需要我們將學(xué)習(xí)器的參數(shù)初始化，并且需要提前設(shè)定好一個批次的任務(wù)數(shù)量，然后將這一批次的任務(wù)投入到識別網(wǎng)絡(luò)中進行訓(xùn)練，用請求集的數(shù)據(jù)去計算在當(dāng)前參數(shù)θ下的損失，第二個任務(wù)采用同樣的初始參數(shù)，重復(fù)上述的步驟再進行一次損失的計算，直到這一批次的任務(wù)訓(xùn)練結(jié)束，將計算的損失和作為我們學(xué)習(xí)器的損失，則

(8)

3 實驗結(jié)果與分析

本文提出了一種基于雙域注意力和元學(xué)習(xí)的移動應(yīng)用行為識別方式，實現(xiàn)了在小樣本情況下對移動應(yīng)用行為的識別，使用了深度可分離卷積進行特征提取，并用雙注意力機制對有用信息進行增益，另外還采用元學(xué)習(xí)的訓(xùn)練方式解決冷啟動問題．本文在實驗中采用了自己采集的數(shù)據(jù)集，也采用了網(wǎng)絡(luò)公開的數(shù)據(jù)集進行對比實驗．經(jīng)過驗證，本文提出的方法能夠在小樣本情況下進行移動應(yīng)用行為的識別，并且在識別準(zhǔn)確率上超過了其他小樣本識別方法．

3.1 實驗數(shù)據(jù)集

本實驗的數(shù)據(jù)集是微信使用時所產(chǎn)生的網(wǎng)絡(luò)數(shù)據(jù)流量．流量的采集主要是通過自動化測試工具Appium來實現(xiàn)的，該工具能通過編寫腳本自動執(zhí)行相關(guān)操作．使用Appium的原因是它的功能很強大且可以跨平臺使用，這使得我們后期在采集安卓和ios的流量時可忽略系統(tǒng)的差異性．

在數(shù)據(jù)集構(gòu)造方面主要分為4個步驟：

步驟一：流量采集．流量采集使用的是基于Appium的自動化平臺，通過自行編寫的腳本在手機上執(zhí)行既定的應(yīng)用行為．之后使用Wireshark進行抓包，獲取pacp格式的文件．pacp是一種常用的存儲網(wǎng)絡(luò)數(shù)據(jù)流的存儲格式，大部分的抓包軟件都可以獲取這一類的數(shù)據(jù)．對于元學(xué)習(xí)任務(wù)，本文采集的數(shù)據(jù)為微信的應(yīng)用數(shù)據(jù)，共抓取了6種行為的流量，采集的用戶行為種類如表1所示．在實際使用中，每次使用4種行為作支持集，2種行為作請求集，且假設(shè)測試用的樣本為小樣本．

表1 數(shù)據(jù)集包含的行為種類

步驟二：流量篩選．在進行流量采集的時候，盡管在自動執(zhí)行的測試機上只運行了我們需要的移動應(yīng)用，但是Wireshark在進行流量捕獲的時候，會將所有流經(jīng)網(wǎng)卡的網(wǎng)絡(luò)數(shù)據(jù)流都保存下來，因此，得到的初始數(shù)據(jù)存在很多與實驗無關(guān)的網(wǎng)絡(luò)流量，此外，超時重傳的數(shù)據(jù)包，在傳輸過程中丟失或者損壞的數(shù)據(jù)包，在連接初始用于3次握手沒有攜帶數(shù)據(jù)的確認(rèn)數(shù)據(jù)包，在數(shù)據(jù)傳輸階段接收方發(fā)送的ACK數(shù)據(jù)包，以及用于斷開連接的數(shù)據(jù)包，這些與實驗無關(guān)的數(shù)據(jù)包都要進行過濾．

步驟三：流量切分．依據(jù)Taylor等人[21]的論文觀點，流量切分時依照不同的突發(fā)(Brust)閾值對流量進行切分，并依據(jù)目的IP和端口號進行流分離．在實驗中，我們采用相同的閾值來切分連續(xù)的行為流量，在后續(xù)也對時間閾值的選擇進行了實驗．

步驟四：生成流量圖片．取每個數(shù)據(jù)報的前N個字節(jié)，N=1 024，對于每一個圖片而言，每個字節(jié)都對應(yīng)了一個灰度，從而形成一張32*32尺寸大小的灰度圖片．

通過分析發(fā)現(xiàn)，不同的應(yīng)用行為網(wǎng)絡(luò)流量的差異性較大，例如，發(fā)送文字的數(shù)據(jù)包大小比發(fā)送圖片的數(shù)據(jù)包小很多，而微信發(fā)紅包、轉(zhuǎn)賬等行為的數(shù)據(jù)包集中在300～1 300 B左右，需要進一步分析識別．

3.2 實驗任務(wù)抽樣

雖然元學(xué)習(xí)解決的是小樣本問題，但是在訓(xùn)練時仍需要大量的訓(xùn)練任務(wù)．在傳統(tǒng)的機器學(xué)習(xí)中，我們用一個訓(xùn)練集去訓(xùn)練模型，再用另一個測試集去評判模型的質(zhì)量，而對于元學(xué)習(xí)而言，我們不再專注于一個特定的任務(wù)，而是通過從數(shù)據(jù)集中抽樣出一個任務(wù)集T={T1，T2，T3，…，Tn}，每次選取一個任務(wù)進行學(xué)習(xí)，而每個任務(wù)中都包含了訓(xùn)練樣本(支持集)和測試樣本(請求集)，通過對任務(wù)的訓(xùn)練，來實現(xiàn)讓模型學(xué)習(xí)到一定的先驗知識的目的，從而能夠在新的識別任務(wù)中有好的識別效果．

在訓(xùn)練數(shù)據(jù)中，有m種不同類型的樣本，從中隨機選4(4

算法1從數(shù)據(jù)集中生成小樣本識別任務(wù)

數(shù)據(jù)集D={(x1，y1)，(x2，y2)，…，(xn，yn)}，xi∈Rd，yi∈L

D〈t〉表示D中滿足yi=t的所有元素(xi，yi)，t∈L

Query Set大小為B，每類樣本數(shù)量為K

輸出：小樣本識別任務(wù)T={Sa，Qu，K}

依賴：RandSample(P，R)表示從集合P中均勻且隨機抽取R個樣本

1La(la0，…，la3)=RandSample(L，4)，Lb(lb0，lb1)=RandSample(L，2)

2 生成支持集(Support Set)

3 fori=1 to 4：

4Sa〈i〉=RandSample (D〈lai〉，K)

預(yù)算的決策層，作為國土資源的財政稅收預(yù)算管理的重要組織機構(gòu)，過于看重預(yù)算滿意度，造成了預(yù)算草案帶有很大的主觀成分，沒有真實反映當(dāng)前國土資源部門的財政稅收的目標(biāo)。這種不科學(xué)的決策很不利于預(yù)算管理工作的順利開展，也阻礙了財政稅收預(yù)算管理工作發(fā)揮其實際的作用。

5Sa=Sa∪Sa〈I〉

6 end

7 生成請求集(Query Set)

8Qu〈0〉=RandSample (D〈lb0〉，B/2)

9Qu〈1〉=RandSample (D〈lb1〉，B/2)

10Qu=Qu〈1〉∪Qu〈2〉

11T={Sa，Qu，K}

3.3 評估指標(biāo)

本文采用準(zhǔn)確率(Accuracy)和召回率(Recall)作為評估模型的指標(biāo)．準(zhǔn)確率用來評價模型對于行為識別整體的效果，如表2所示，其中TP(True Positive)表示正例預(yù)測為正例的樣本數(shù)；FP(False Positive)表示反例預(yù)測為正例的樣本數(shù)；TN(True Negative)表示正例預(yù)測為反例的樣本數(shù)；FN(False Negative)表示反例預(yù)測為反例的樣本數(shù)．

表2 評估指標(biāo)參數(shù)介紹

(9)

(10)

其中，ACC表示準(zhǔn)確率，REC表示召回率．

3.4 模型收斂性

由于元學(xué)習(xí)的訓(xùn)練方式同一般的深度學(xué)習(xí)方式略有差別，因此首先需要確定本文提出的識別模型的收斂性，如圖5所示展示了該行為識別模型在本文自行采集的數(shù)據(jù)集上的損失函數(shù)隨迭代次數(shù)的變化．

圖5 模型訓(xùn)練收斂

由圖可知，在100次迭代之后模型趨于穩(wěn)定，證明該識別模型是可以進行下一步實驗的，并且我們將100作為后續(xù)實驗的迭代次數(shù)．

3.5 時間閾值和樣本數(shù)量影響

為了獲得比較好的實驗效果，本文對元學(xué)習(xí)樣本參數(shù)的選取以及在流量的行為劃分時時間閾值的選取進行了測試．

由圖6可知，在進行流量的行為劃分時，由于采取了不同的閾值，行為的劃分直接影響了識別的準(zhǔn)確率，同時，觀察得知在時間閾值為1.25 s時可以取得最好的識別效果．當(dāng)小于1.25 s時存在將一個行為拆分開，而當(dāng)大于1.25 s時存在將多個不同用戶行為合并的情況，因此后續(xù)選取1.25 s作為時間閾值進行實驗．

圖6 行為劃分參數(shù)實驗

另一個方面就是考慮在小樣本的情況下，每次訓(xùn)練任務(wù)的樣本數(shù)量對實驗效果的影響，本文選取了K=5，10，15這3種情況進行實驗，都是小樣本的場景，但是樣本數(shù)量差別較大，實驗結(jié)果如表3所示．

表3 樣本數(shù)量對實驗結(jié)果的影響

實驗結(jié)果表明，在樣本數(shù)量為5或者10時效果都比較好，模型具有泛化能力，由此可見元學(xué)習(xí)的學(xué)習(xí)方式是學(xué)習(xí)如何提取特征和學(xué)習(xí)如何進行比較，而不是記住了訓(xùn)練樣本的特征，從而能在新的識別任務(wù)中有較好的表現(xiàn)．

3.6 注意力機制分析

本文采用的注意力機制是基于通道和空間的雙域注意力機制，為了探究是否單獨的通道或空間注意力會帶來更好的效果，實驗時采用了5種不同的注意力模塊，如圖7所示．其中還引入了一個高效的通道注意力(ECA)模塊來進行對比實驗(如圖7e)，該模塊是一個輕量級注意力模塊．

圖7 不同注意力模塊

將各類應(yīng)用行為都按照每次任務(wù)10個樣本，仍以4種行為舉例，隨機抽取訓(xùn)練任務(wù)和測試任務(wù)，最后得到的實驗結(jié)果如圖8所示．

圖8 不同注意力模塊實驗結(jié)果

實驗結(jié)果表明不同的注意力模塊確實會對實驗結(jié)果產(chǎn)生影響，單一種類的注意力機制可能會忽視某些特征，而對于本文的行為識別，空間注意力機制對識別的效果影響要更大一些，對于類似長度的網(wǎng)絡(luò)流量在形成灰度圖后，觀察圖形的紋理會更有利于進行識別，而順序的改變對實驗結(jié)果基本沒有影響，因此本文選取雙域注意力機制構(gòu)建識別模型．

3.7 泛化性分析

本文基于雙域注意力機制和元學(xué)習(xí)的移動應(yīng)用行為識別模式采用了元學(xué)習(xí)多任務(wù)的方式，因此模型在行為識別方面應(yīng)具有一定的泛化性．為了驗證這一點，本文除了在自己所采集的數(shù)據(jù)集之外，還選用了網(wǎng)絡(luò)公開的Instagram行為數(shù)據(jù)集，該數(shù)據(jù)集包括了4種行為：發(fā)文字消息、發(fā)圖片、發(fā)布動態(tài)、點贊，與本文自行采集的微信行為有較大的相似性，因此在訓(xùn)練時采用微信的數(shù)據(jù)對模型進行訓(xùn)練，在測試的時候直接使用Instagram的行為數(shù)據(jù)集進行測試，實驗結(jié)果如圖9所示．結(jié)果表明，本文提出的模型能夠?qū)nstagram的應(yīng)用行為有較好的識別效果，表明了對于相似類型的移動應(yīng)用，本文所提模型可以將學(xué)到的特征應(yīng)用于新的小樣本行為識別任務(wù)中．

圖9 識別模型泛化性實驗

3.8 實驗結(jié)果

在小樣本領(lǐng)域?qū)崿F(xiàn)對移動應(yīng)用行為的識別是一個比較新的研究領(lǐng)域，本文選取了用于行為識別的CUMMA模型以及專門用于小樣本分類的MAML模型，進行對比實驗，實驗結(jié)果如圖10所示．

圖10 實驗結(jié)果對比

可以看出，本文提出的小樣本行為識別方法識別效果較好，對比實驗中其他的模型和現(xiàn)有的行為識別模型，都需要大量樣本進行訓(xùn)練，并且只針對特定類型的行為進行識別，可知本文的識別模型更具有實用性．

4 結(jié)束語

移動智能設(shè)備和移動應(yīng)用承載了諸多個人信息和日常工作娛樂功能，通過分析移動應(yīng)用在使用時產(chǎn)生的網(wǎng)絡(luò)流量可以在網(wǎng)絡(luò)管理、隱私保護以及行為識別方面提供有價值的信息．本文針對小樣本場景下的移動應(yīng)用行為識別方式進行了研究，提出了一種基于雙域注意力機制的行為識別方式，該方式提高了移動應(yīng)用行為識別的準(zhǔn)確性；文章還采用了元學(xué)習(xí)的訓(xùn)練方式，解決了小樣本場景下，移動應(yīng)用行為識別冷啟動的問題．當(dāng)然，本文提出的應(yīng)用行為識別方式還存在不足和需要改進的地方，使用深度可分離卷積雖然降低了計算量，但注意力機制會增加一部分計算量，因此還需要進一步深入研究計算資源消耗的問題，尋找更加高效的注意力實現(xiàn)方式．