隨著移動網(wǎng)絡(luò)新時代的到來,移動設(shè)備上的APP種類和數(shù)量正在急速增長,相應(yīng)的移動流量也呈現(xiàn)爆發(fā)式的增長。流量的識別與分類是網(wǎng)絡(luò)管理和網(wǎng)絡(luò)安全領(lǐng)域的重要研究內(nèi)容。運營商需要根據(jù)帶寬中的各類流量的占比進行動態(tài)訪問控制,為客戶提供更好的用戶體驗。安全監(jiān)管部門需要實時檢測網(wǎng)絡(luò)流量中的惡意流量,避免其造成嚴重損失。在流量分類領(lǐng)域的研究中,隨著端口偽裝、隨機端口技術(shù)的出現(xiàn),傳統(tǒng)基于端口的流量分類方法迅速失效;基于凈荷特征的方法也因為加密流量的出現(xiàn)而失去作用。于是有學(xué)者開始將機器學(xué)習(xí)應(yīng)用于流量分類問題上,如嘗試使用樸素貝葉斯、SVM支持向量機、決策樹、隨機森林等方法對流統(tǒng)計特征或時序特征進行特征提取和分類模型的訓(xùn)練。在這些研究中,特征的提取往往依賴于領(lǐng)域?qū)＜胰斯ぴO(shè)計,特征設(shè)計的好壞會對模型學(xué)習(xí)產(chǎn)生較大影響。同時作為一種人工手段,不僅耗時耗力,在樣本流量有限的情況下對流量非線性特征的表達能力有限。因此傳統(tǒng)機器學(xué)習(xí)手段對人工特征設(shè)計及數(shù)據(jù)集的依賴較大。然而在流量采集過程中,捕獲的流量往往是不純凈的,需要在繁雜的網(wǎng)絡(luò)流量中過濾出需要的數(shù)據(jù),并對其進行標注,這個過程需要耗費大量的時間和人力。同時由于各類應(yīng)用的... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

GAN網(wǎng)絡(luò)結(jié)構(gòu)

南京郵電大學(xué)碩士研究生學(xué)位論文3基于條件生成對抗網(wǎng)絡(luò)的移動應(yīng)用流量分類系統(tǒng)框架9第三章基于條件生成對抗網(wǎng)絡(luò)的移動應(yīng)用流量分類系統(tǒng)為了研究移動流量分類問題，需要采集各類APP的流量樣本。但網(wǎng)絡(luò)中的流量并不是均勻分布，且一些冷門APP的流量樣本往往很難采集，這就會導(dǎo)致采集樣本出現(xiàn)類別不平衡問題。這種不平衡問題大大影響了小類別應(yīng)用的識別準確率。而這些小類別樣本往往不容忽視，如惡意攻擊、木馬軟件流量等。因此流量樣本生成機制的研究具有重大意義。系統(tǒng)流程本文提出了基于條件生成對抗網(wǎng)絡(luò)的移動應(yīng)用流量分類系統(tǒng)，其基本流程如圖3.1所示：圖3.1基于條件生成對抗網(wǎng)絡(luò)的移動應(yīng)用流量分類系統(tǒng)框基于條件生成對抗網(wǎng)絡(luò)的移動應(yīng)用流量分類系統(tǒng)，首先通過基于流量分組的流量圖像轉(zhuǎn)換方法對輸入的數(shù)據(jù)集進行處理。按分組逐步讀取Pcap包中的流量信息，過濾出無效數(shù)據(jù)。對剩下的數(shù)據(jù)進行截斷或填充以保證所有數(shù)據(jù)長度相同，保證最后生成的圖片大小也相同。將得到的流量圖像送入基于條件生成對抗網(wǎng)絡(luò)的樣本生成模型PacketCGAN，利用生成對抗網(wǎng)絡(luò)的“博弈理論”學(xué)習(xí)流量圖像的樣本特征。當PacketCGAN達到納什均衡后結(jié)束訓(xùn)練并根據(jù)流量標簽控制生成器生成一定數(shù)量的小類別流量圖像樣本數(shù)據(jù)。將生成的流量圖像樣本和原流量圖像樣本混合后得到平衡數(shù)據(jù)集，以試圖消除不平衡數(shù)據(jù)集對流量分類帶來的影響。最后將得到的平衡數(shù)據(jù)集送入基于深度學(xué)習(xí)的分類模型，即可實現(xiàn)對流量更為精準的分類。本文通過PacketCGAN與不平衡數(shù)據(jù)集和其他傳統(tǒng)數(shù)據(jù)平衡方法分類效果的對比，驗證了PacketCGAN方法的優(yōu)越性。

南京郵電大學(xué)碩士研究生學(xué)位論文3基于條件生成對抗網(wǎng)絡(luò)的移動應(yīng)用流量分類系統(tǒng)框架10基于流量分組的流量圖像轉(zhuǎn)換方法圖像識別技術(shù)發(fā)展到今天，從剛開始僅僅對數(shù)字手寫體、符號、字母等識別，慢慢發(fā)展到已經(jīng)在工業(yè)界有了大量實際應(yīng)用，如手機上的FaceID、公安部門的人臉識別系統(tǒng)、汽車的無人駕駛等。圖像識別算法的發(fā)展已經(jīng)相當成熟，為了將圖像識別與流量分類結(jié)合，本文設(shè)計了將Pcap包中的流量數(shù)據(jù)轉(zhuǎn)為流量圖像的預(yù)處理模塊，該模塊的框架如圖3.2所示：圖3.2流量預(yù)處理模塊框架圖該方法通過Pacp文件及相關(guān)協(xié)議規(guī)范，獲取流量中的分組信息。并根據(jù)報頭包含的信息對流量進行過濾，剔除無用的流量分組。對數(shù)據(jù)進行截斷或補零，規(guī)范數(shù)據(jù)長度，以保證模型的輸入維度一致。將數(shù)據(jù)按照規(guī)則轉(zhuǎn)換后即可得到各分組對應(yīng)的單通道灰度流量圖像和三通道流量圖像。基于條件生成對抗網(wǎng)絡(luò)的移動流量樣本生成模型：PacketCGAN對轉(zhuǎn)換后得到的流量圖像，做成數(shù)據(jù)集后即可用來訓(xùn)練PacketCGAN神經(jīng)網(wǎng)絡(luò)。該方法利用生成對抗網(wǎng)絡(luò)能夠生成新數(shù)據(jù)的特點來平衡數(shù)據(jù)集。由于GAN的生成器和判別器互相博弈的特點，不平衡的數(shù)據(jù)集并不會影響PacketCGAN訓(xùn)練效果。除了傳統(tǒng)生成對抗網(wǎng)絡(luò)模型中的生成器和判別器外，本文對PacketCAGN中生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)進行改進，加入了卷積神經(jīng)網(wǎng)絡(luò)，以試圖根據(jù)訓(xùn)練好的判別器中的卷積神經(jīng)網(wǎng)絡(luò)，結(jié)合Softmax分類器實現(xiàn)對流量的分類。PacketCGAN的框架如圖3.3所示：

【參考文獻】：
期刊論文
[1]基于堆棧式自動編碼器的加密流量識別方法[J]. 王攀,陳雪嬌.  計算機工程. 2018(11)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量分類方法[J]. 王勇,周慧怡,俸皓,葉苗,柯文龍.  通信學(xué)報. 2018(01)
[3]基于載荷特征的加密流量快速識別方法[J]. 陳偉,胡磊,楊龍.  計算機工程. 2012(12)

碩士論文
[1]基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量識別關(guān)鍵技術(shù)研究[D]. 李玎.戰(zhàn)略支援部隊信息工程大學(xué) 2018



本文編號：3033119