1.一種用于小樣本惡意流量分類的輕量化模型設計方法，其特征在于，包括如下步驟：
2.根據(jù)權利要求1所述的一種用于小樣本惡意流量分類的輕量化模型設計方法，其特征在于，在步驟一中，設計的源模型為一個端到端的全卷積神經網絡模型，使用一維cnn作為神經網絡主干架構，一維cnn能夠捕獲網絡數(shù)據(jù)包中字節(jié)間的依賴關系，找到不同類別的鑒別方式，源模型由多層一維卷積層和多層最大池化層組成，每一層卷積層后都添加一層bn層，經過bn層處理后的特征將被輸入到relu激活函數(shù)層；同時，使用兩層卷積層代替全連接層，卷積層中的神經元只與輸入數(shù)據(jù)中的一個局部區(qū)域連接，并且與卷積列中的神經元共享參數(shù)。
3.根據(jù)權利要求2所述的一種用于小樣本惡意流量分類的輕量化模型設計方法，其特征在于，所述一維卷積層為10層，所述最大池化層為7層，所述最大池化層步長設置為2，卷積層在淺層和深層分別使用200和100個神經元處理輸入數(shù)據(jù)，其中每個神經元的尺寸為[6，1]，每個神經元在一次卷積運算后移動1步。
4.根據(jù)權利要求2所述的一種用于小樣本惡意流量分類的輕量化模型設計方法，其特征在于，在步驟二中，
5.根據(jù)權利要求4所述的一種用于小樣本惡意流量分類的輕量化模型設計方法，其特征在于，在步驟三中，具體包括：
6.根據(jù)權利要求5所述的一種用于小樣本惡意流量分類的輕量化模型設計方法，其特征在于，在步驟三中，具體包括：利用bn層中的γ參數(shù)作為評價神經元的指標，對所有bn層γ值進行統(tǒng)計排序，獲取指定保留bn層數(shù)量，即取得排序后權重閾值，遍歷模型中的bn層γ值權重，制作各層掩碼，獲取非零值的索引，保留值為1的神經元權重，根據(jù)掩碼構建新模型結構，加載剪枝后模型，對新模型賦予剪枝后的權重，并進行模型重塑。