隨著網(wǎng)絡(luò)流量的快速增長(zhǎng),骨干網(wǎng)絡(luò)體系架構(gòu)不斷演進(jìn),扁平化、網(wǎng)狀化和動(dòng)態(tài)自適應(yīng)成為網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)和優(yōu)化的一大趨勢(shì),使得本來未完善解決的應(yīng)用程序識(shí)別問題再次面臨巨大挑戰(zhàn)。當(dāng)前的應(yīng)用程序識(shí)別方法往往面臨著流量數(shù)據(jù)速度快和識(shí)別精度不高,以及加密流量識(shí)別困難等難題。本文基于時(shí)空特征與APNs的應(yīng)用程序識(shí)別方法展開深入研究。為了提高識(shí)別的魯棒性和精度,本文提出一種基于時(shí)空特征的應(yīng)用程序識(shí)別方法,該方法直接以原始網(wǎng)絡(luò)流量作為輸入,分別使用CNN和LSTM混合模型同步且自動(dòng)地提取空域特征和時(shí)序特征,然后將兩個(gè)模型輸出的向量進(jìn)行拼接融合,最后由Softmax層根據(jù)融合后的特征向量識(shí)別應(yīng)用程序。在USTC-TFC2016數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,提出的方法對(duì)于惡意應(yīng)用程序識(shí)別的正確率高達(dá)100%,相比于傳統(tǒng)的CNN模型和LSTM模型分別提高了1.48%與2.37%。針對(duì)iOS系統(tǒng)服務(wù)的特殊性,提出了基于APNs（Apple Push Notification service）網(wǎng)絡(luò)流量的應(yīng)用程序識(shí)別方法,實(shí)現(xiàn)在應(yīng)用程序本身未產(chǎn)生流量情形下識(shí)別應(yīng)用程序。首先對(duì)網(wǎng)絡(luò)流量進(jìn)行流量過濾、時(shí)間序列轉(zhuǎn)換和流量切分等預(yù)處理,... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

榮耀手機(jī)禁止應(yīng)用程序后臺(tái)運(yùn)行示意圖

杭州電科技學(xué)碩學(xué)位論圖4.8不同Burst閾值的識(shí)別正確率分析不同機(jī)器學(xué)習(xí)算法的性能和效率有助于選擇識(shí)別APNs流量的最佳算法。每個(gè)算法的分類性能受多個(gè)因素影響如特征集和算法的參數(shù)。每個(gè)算法對(duì)不同的特征集所使用的最優(yōu)參數(shù)也不盡相同。本章考慮了不同算法的基本參數(shù)對(duì)分類結(jié)果的影響，下面主要展示本實(shí)驗(yàn)中對(duì)分類器性能影響最大的參數(shù)。圖4.9不同決策樹數(shù)量的正確率比較首先分析分類器識(shí)別APNs流量的性能。比較了四種算法使用不同參數(shù)的性能。為了提高RF性能，比較了不同數(shù)量決策樹的RF性能。如圖4.9所示，RF的正確率浮動(dòng)不超過4%，當(dāng)決策樹數(shù)量為150時(shí)，達(dá)到最高正確率98.90%；為了提高KNN的性能，比較了不同鄰居數(shù)的KNN性能。如圖4.10所示，當(dāng)鄰居數(shù)從1增加到5時(shí)，其正確率緩慢上升，當(dāng)鄰居數(shù)從6增加到23時(shí)，其正確率達(dá)到最大值98.39%，隨后正確率隨著鄰53

杭州電科技學(xué)碩學(xué)位論圖4.8不同Burst閾值的識(shí)別正確率分析不同機(jī)器學(xué)習(xí)算法的性能和效率有助于選擇識(shí)別APNs流量的最佳算法。每個(gè)算法的分類性能受多個(gè)因素影響如特征集和算法的參數(shù)。每個(gè)算法對(duì)不同的特征集所使用的最優(yōu)參數(shù)也不盡相同。本章考慮了不同算法的基本參數(shù)對(duì)分類結(jié)果的影響，下面主要展示本實(shí)驗(yàn)中對(duì)分類器性能影響最大的參數(shù)。圖4.9不同決策樹數(shù)量的正確率比較首先分析分類器識(shí)別APNs流量的性能。比較了四種算法使用不同參數(shù)的性能。為了提高RF性能，比較了不同數(shù)量決策樹的RF性能。如圖4.9所示，RF的正確率浮動(dòng)不超過4%，當(dāng)決策樹數(shù)量為150時(shí)，達(dá)到最高正確率98.90%；為了提高KNN的性能，比較了不同鄰居數(shù)的KNN性能。如圖4.10所示，當(dāng)鄰居數(shù)從1增加到5時(shí)，其正確率緩慢上升，當(dāng)鄰居數(shù)從6增加到23時(shí)，其正確率達(dá)到最大值98.39%，隨后正確率隨著鄰53

【參考文獻(xiàn)】：
期刊論文
[1]網(wǎng)絡(luò)空間安全大國(guó)戰(zhàn)略2019新動(dòng)向[J]. 崔傳楨.  信息安全研究. 2019(06)
[2]應(yīng)用時(shí)間序列分析進(jìn)行網(wǎng)絡(luò)負(fù)載預(yù)測(cè)[J]. 沈富可,張衛(wèi),常潘.  中山大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(S1)
[3]基于Apriori算法的流量識(shí)別特征自動(dòng)提取方法[J]. 劉興彬,楊建華,謝高崗,胡玥.  通信學(xué)報(bào). 2008(12)

博士論文
[1]基于深度學(xué)習(xí)的網(wǎng)絡(luò)流量分類及異常檢測(cè)方法研究[D]. 王偉.中國(guó)科學(xué)技術(shù)大學(xué) 2018



本文編號(hào)：3299282