1.一种基于CNN‑GRU的移动应用识别方法，包括以下步骤：

步骤1，获取移动应用数据集，得到用于的移动应用流量数据；

步骤2，对移动应用数据集进行预处理操作，使其保留原本语义的同时符合神经网络的输入，得到训练数据集；

步骤3，构建检测模型，所述检测模型包括卷积神经网络模型CNN、门控循环单元GRU模型和全连接层；所述卷积神经网络模型CNN用于空间特征提取，门控循环单元GRU用于时序特征提取，经过全连接层输出检测结果；

整体神经网络模型包括依次连接的卷积层一C1、池化层一S1、卷积层二C2、池化层二S2、全连接层一D1、GRU1、GRU2、全连接层D2；

空间特征的学习输入为k个数据包图像，输出为网络流空间特征，即k个数据包向量。

Conv1：该卷积层的卷积核数为32，单个卷积核大小为5*5，滑动步长为1，采用Relu函数对结果进行非线性映射，输出特征的映射维数为32，经过该层后的特征映射为32*21*21。

MaxPooling1：该池化层大小为2*2，滑动步长为2，采用最大池化策略，经过该层后的特征映射为32*11*11；Conv2：该卷积层的卷积核数为64，单个卷积核大小为3*3，滑动步长为1，采用Relu函数对结果进行非线性映射，经过该层后的特征映射为64*9*9；MaxPooling2：该池化层大小为2*2，滑动步长为2，采用最大池化策略，经过该层后的特征映射为64*5*5。

Dense：全连接层的神经元个数为128个，使用Relu函数后进行dropout策略丢弃20％的特征；

卷积神经网络对每个流量数据包分别进行空间特征学习，每个数据包经过信息提取处理后进行独热编码，编码转换后得到的数据包图像经过模型卷积层和池化层的对应处理，最终得到包含数据包独有特征的向量。

GRU将经过CNN输出的特征映射向量作为输入，输出网络时序特征的学习，输入为k个特征映射向量组成，输出为网络流时序特征向量。

步骤4，利用训练数据集，对检测模型进行训练，一轮网络的训练由一次前向传导过程和一次反向传播过程组成；首先是经过整个检测模型逐层传递学习的特征值，然后给出检测模型的预测；再通过交叉熵损失函数计算出预测值与真实值之间的损失值，这是一轮前向传导；反向传播过程将根据损失值，对整个检测模型中的参数进行优化更新；最终得到训练好的检测模型，然后利用训练优化完成后的检测模型进行移动应用识别。

2.根据权利要求1所述的基于CNN‑GRU的移动应用识别方法，其特征在于：所述步骤1中采用的移动应用数据集为使用wireshark抓包工具进行的流量采集，采集的数据至少包括QQ、微信、微博的应用流量。

3.根据权利要求1所述的基于CNN‑GRU的移动应用识别方法，其特征在于：所述步骤2中的预处理操作包括对网络数据集中输入到卷积神经网络模型CNN中的网络数据预处理。

4.根据权利要求3所述的基于CNN‑GRU的移动应用识别方法，其特征在于：所述步骤2中，对网络数据集中输入到卷积神经网络模型CNN中的网络数据预处理如下：将数据集中流量数据的字节组成数据包，数据包又组成网络流，对每条网络流截取前5个数据包，每个数据包取60个字节，若长度不够，则在末尾补0x00。

5.根据权利要求1所述的基于CNN‑GRU的移动应用识别方法，其特征在于：所述步骤3中，采用Leaky ReLu()激活函数激活。

6.根据权利要求1所述的基于CNN‑GRU的移动应用识别方法，其特征在于：所述步骤4中使用softmax()作为分类函数。

7.根据权利要求1所述的基于CNN‑GRU的移动应用识别方法，其特征在于：所述步骤4中使用交叉熵损失函数作为损失函数计算损失值。

8.根据权利要求1所述的基于CNN‑GRU的移动应用识别方法，其特征在于：所述步骤4中采用Adam优化器进行优化。