隨著互聯(lián)網(wǎng)的高速發(fā)展,通信傳輸能力日新月異,網(wǎng)絡(luò)移動應(yīng)用層出不窮,社會生活與網(wǎng)絡(luò)之間越發(fā)密不可分。在網(wǎng)絡(luò)發(fā)展的同時,網(wǎng)絡(luò)惡意攻擊活動如木馬程序、蠕蟲病毒等也隨之升級擴(kuò)大,在一定程度上影響了廣大互聯(lián)網(wǎng)用戶的體驗,情況嚴(yán)重時還會給企業(yè)造成損失,給社會帶來危害,因此網(wǎng)絡(luò)中的通信安全是如今的中心議題。而在網(wǎng)絡(luò)安全領(lǐng)域中,協(xié)議識別是其他技術(shù)工作如漏洞挖掘、入侵檢測等的前提基礎(chǔ),對保障網(wǎng)絡(luò)中通信安全具有重要意義,近年來成為了科研人員的研究重點�，F(xiàn)在網(wǎng)絡(luò)環(huán)境中存在大量私有協(xié)議,其協(xié)議規(guī)范尚未公開,傳統(tǒng)的協(xié)議識別技術(shù)都存在一定缺陷�；诙丝诘膮f(xié)議識別技術(shù)需要知曉預(yù)定義端口號,而目前的動態(tài)端口技術(shù)等使得端口不再固定;基于載荷和基于行為特征的協(xié)議識別技術(shù)需要大量的人力投入,特征統(tǒng)計繁雜。這些因素導(dǎo)致傳統(tǒng)的協(xié)議識別技術(shù)已不滿足當(dāng)前高速便捷的要求。本文針對大規(guī)模應(yīng)用層協(xié)議自動化精確識別的需求,借鑒目前較為成熟的深度學(xué)習(xí)相關(guān)方法展開研究,即分類中使用的卷積神經(jīng)網(wǎng)絡(luò)和聚類中使用的自編碼器,分別構(gòu)建了有監(jiān)督的分類模型和無監(jiān)督的聚類模型。本文詳細(xì)研究工作如下:1.研究了基于卷積神經(jīng)網(wǎng)絡(luò)的協(xié)議識別技術(shù),此技術(shù)針對的數(shù)據(jù)... 

【文章來源】：中國工程物理研究院北京市

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．３部分神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??ｙ：?＝?ｆ（ｗｎ］?■?Ｘ１?＋?ｗｉ２?■?ｘ２?＋?？?Ｘ３?＋?？?ｘ４?＋?Ｚ？（ｌ））?＝?ｆ｛Ｗ＾Ｘ＋ｂ（］））?（２－３）??

是指卷積祌經(jīng)網(wǎng)絡(luò)中每一層輸出特征圖中一個點對應(yīng)輸入一片區(qū)域的映射，從而每個??神經(jīng)元不需要同輸入的全部進(jìn)行關(guān)聯(lián)，只需最后對所有局部信息進(jìn)行綜合即可，這樣??大大減少了神經(jīng)元連接數(shù)量，降低了計算量；權(quán)值共享是指不同神經(jīng)元之間的參數(shù)相??同，其可行的原因是提取的特征同特征在輸入的原始位置無關(guān)，這樣大大減少了參數(shù)??個數(shù)；池化是指進(jìn)行下采樣得到特征降維，從而加快了運算速度并降低了過擬合的風(fēng)??險。卷積神經(jīng)網(wǎng)絡(luò)在完成對數(shù)據(jù)學(xué)習(xí)的過程具有穩(wěn)定、無需轉(zhuǎn)換數(shù)據(jù)類型的優(yōu)點。??卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖２．４所示。??輸入?特征映射?輸出??Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??唇ｒ化｜＼、??卷枳￡?降采樣Ｓ?卷織嘗?降采樣Ｓ?全連括Ｓ??圖２．４卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中，包含了卷積層（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｌａｙｅｒ?），降采樣層??（ＰｏｏｌｉｎｇＬａｙｅｒ）和全連接層（Ｆｕｌｌｙ?Ｃｏｎｎｅｃｔｅｄ?Ｌａｙｅｒ）。??卷積層用于提取出輸入數(shù)據(jù)的特征，卷積層中每個神經(jīng)元都同上次一層神經(jīng)元進(jìn)??行部分連接，然后使用卷積濾波器進(jìn)行二維卷積操作，卷積層中的二維卷積操作定義??如式（２－５）所示：??（２－５）??ｍ?ｎ??而數(shù)學(xué)上定義的二維卷積表達(dá)式如式（２－６）所示：??ｓ（ｉ，ｊ）?＝?（＾?＊?Ｗ）｛ｉＪ）?＝?（２＿??ｍ?ｎ??１５??

了一個翻轉(zhuǎn)的操作，即將卷積核進(jìn)行上下左右翻轉(zhuǎn)１８０??度，但實際上這是不影響的。原因在于對于卷積核Ｗ，我們開始就可以就使用翻轉(zhuǎn)后??的Ｗ＇進(jìn)行式（２－５）的卷積，得到的結(jié)果和直接使用Ｗ進(jìn)行式（２－５）的卷積一樣，這就想??當(dāng)于沒有翻轉(zhuǎn)。因此我們可以使用更為直觀簡便的（２－６）卷積操作。??降米樣層用于減小提取到的特征的維度，即通常所說的下米樣（Ｓｕｂｓａｍｐｌｉｎｇ），??一般使用最大采樣（Ｍａｘ?Ｐｏｏｌｉｎｇ）或均值采樣（Ｍｅａｎ?Ｐｏｏｌｉｎｇ），以減少輸入矩陣的長??和寬，如圖２．５的降采樣層，就是選擇２＊２區(qū)域內(nèi)的最大值輸出到下一層，從而將２Ｎ＊２Ｎ??的特征圖壓縮到Ｎ＊Ｎ。最后的全連接層用于輸出特征向量以完成分類或檢索等任務(wù)。??□?□□□??□?口１〇１３—?－?□??□□□□?□□??□?□□□??圖２．５降釆樣層示意圖??協(xié)議特征提取和分類模型建立是有監(jiān)督式協(xié)議識別領(lǐng)域中兩個研宄重點，因此快??速提取合理的協(xié)議特征、高效建立正確的分類模型是我們的目標(biāo)。但是在第一章中所??提到的另外三種協(xié)議識別技術(shù)都存在識別協(xié)議種類較少、識別效率較低等問題。因此??網(wǎng)絡(luò)協(xié)議識別領(lǐng)域在近年來使用機(jī)器學(xué)習(xí)方法的文獻(xiàn)越來越多，針對有標(biāo)記的協(xié)議數(shù)??據(jù)或者說協(xié)議規(guī)范己知的協(xié)議識別，這些方法能取得一定的效果，但大部分都采用人??為設(shè)計特征［４（）’４１］，這樣不僅增加網(wǎng)絡(luò)協(xié)議識別的工作量，同樣還不能保證識別的準(zhǔn)確??率。而卷積神經(jīng)網(wǎng)絡(luò)根據(jù)打上標(biāo)簽的訓(xùn)練數(shù)據(jù)集提取特征，這正是一個解決這個問題??的合適工具。?：??２＿２．３白編碼器??自編碼器是一種前饋神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上可以構(gòu)建多種復(fù)雜的模型，包括棧式??１６??

【參考文獻(xiàn)】：
期刊論文
[1]融合特征降維和密度峰值的二進(jìn)制協(xié)議數(shù)據(jù)幀聚類算法[J]. 閆小勇,李青.  小型微型計算機(jī)系統(tǒng). 2018(12)
[2]自編碼器理論與方法綜述[J]. 賈文娟,張煜東.  計算機(jī)系統(tǒng)應(yīng)用. 2018(05)
[3]中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告[J].   中國科技信息. 2018(05)
[4]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)
[5]網(wǎng)絡(luò)流量分類方法研究[J]. 鎮(zhèn)佳,朱國勝.  信息通信. 2017(08)
[6]基于改進(jìn)凝聚層次聚類的協(xié)議分類算法[J]. 張鳳荔,周洪川,張俊嬌,劉淵,張春瑞.  計算機(jī)工程與科學(xué). 2017(04)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)
[8]網(wǎng)絡(luò)加密流量識別研究綜述及展望[J]. 潘吳斌,程光,郭曉軍,黃順翔.  通信學(xué)報. 2016(09)
[9]針對私有協(xié)議的模糊測試技術(shù)研究[J]. 彭勇,王婷,熊琦,戴忠華,伊勝偉,高海輝.  北京交通大學(xué)學(xué)報. 2013(05)
[10]自適應(yīng)網(wǎng)絡(luò)應(yīng)用特征發(fā)現(xiàn)方法[J]. 王變琴,余順爭.  通信學(xué)報. 2013(04)

碩士論文
[1]深度包檢測技術(shù)的研究與設(shè)計[D]. 劉胤.貴州大學(xué) 2008



本文編號：3209934