流量分类

摘要： 网络流量分类广泛应用于网络资源分配、流量调度、入侵检测系统等研究领域。随着加密协议的普及和网络流量快速发展,基于深度学习的流量分类器由于其自动提取特征的特性和较高的分类准确性,逐渐受到科研人员的重视,但是面向网络流量分类的可信程度方面却不曾有研究。本文提出一种基于RBF神经网络对加密网络流量进行可信分类的方法。所提算法建立在RBF网络的思想上并采用一种新的损失函数和质心更新方案来进行训练,通过使用梯度惩罚强制检测输入的变化,能够有效地检测分布外的数据。在2个公共的ISCX VPN-nonVPN和USTC-TFC2016流量数据集上,与同类算法相比,所提算法取得了最好的分布外检测结果,在AUROC指标上达到98.55%。实验结果表明所提算法在具有较高分类性能的同时,能够有效地检测出分布外的流量数据,从而提高流量分类的可信性。

摘要： 随着深度学习的兴起,深度神经网络被成功应用于多种领域,但研究表明深度神经网络容易遭到对抗样本的恶意攻击。作为深度神经网络之一的卷积神经网络(CNN)目前也被成功应用于网络流量的分类问题,因此同样会遭遇对抗样本的攻击。为提高CNN网络流量分类器防御对抗样本的攻击,本文首先提出批次对抗训练方法,利用训练过程反向传播误差的特点,在一次反向传播过程中同时完成样本梯度和参数梯度的计算,可以明显提高训练效率。同时,由于训练用的对抗样本是在目标模型上生成,因此可有效防御白盒攻击;为进一步防御黑盒攻击,克服对抗样本的可转移性,提出增强对抗训练方法。利用多个模型生成样本梯度不一致的对抗样本,增加对抗样本的多样性,提高防御黑盒攻击的能力。通过真实流量数据集USTC-TFC2016上的实验,我们生成对抗样本的网络流量进行模拟攻击,结果表明针对白盒攻击,批次对抗训练可使对抗样本的分类准确率从17.29%提高到75.37%;针对黑盒攻击,增强对抗训练可使对抗样本的分类准确率从26.37%提高到68.39%。由于深度神经网络的黑箱特性,其工作机理和对抗样本产生的原因目前没有一致的认识。下一步工作对CNN的脆弱性机理进行进一步研究,从而找到更好的提高对抗训练效果的方法。

摘要： 近年来,工业互联网获得了飞速的发展.但是和传统互联网一样,工业互联网也面临着大量的网络攻击威胁和敏感信息泄露风险.而流量识别技术,特别是细粒度的应用动作识别技术,可以辅助网络管理者对异常行为进行检测和及早发现隐私泄露风险,保障工业互联网的安全.然而,现有动作识别技术依赖对流量数据中动作边界的预先分割,无法识别无边界的动作,难以应用于实际场景.为解决这一问题,提出一种无边界动作识别算法:首先构建基于自注意力机制的包级识别模型,对数据包进行动作分类;然后提出动作聚合算法,从数据包的分类结果中聚合出动作序列;最后,建立2种新指标来衡量识别结果的好坏.为验证算法的可行性,以微信为实例进行实验,结果表明该模型能够取得最高超过90%的序列识别精度.这一研究成果将有望极大推动应用动作识别技术的实用化.

摘要： 在当今信息爆炸、网络快速发展的时代,网络攻击与网络威胁日益增多,恶意流量识别在网络安全中发挥着非常重要的作用。深度学习在图像处理、自然语言处理上已经展现出优越的性能,因此有诸多研究将深度学习应用于流量分类中。将深度学习应用于流量识别时,部分研究对原始流量数据进行截断或者补零操作,截断操作容易造成流量信息的部分丢失,补零操作容易引入对模型训练无用的信息。针对这一问题,本文提出了一种用于恶意流量分类的不定长输入卷积神经网络(Indefinite Length Convolutional Neural Network,ILCNN),该网络模型基于不定长输入,在输入时使用未截断未补零的原始流量数据,利用池化操作将不定长特征向量转化为定长的特征向量,最终达到对恶意流量分类的目的。基于CICIDS-2017数据集的实验结果表明,ILCNN模型在F1-Score上的分类准确率能够达到0.999208。相较于现有的恶意流量分类工作,本文所提出的不定长输入卷积神经网络ILCNN在F1-Score和准确率上均有所提升。

摘要： 针对深度模型进行加密流量分类任务时数据不平衡的问题,提出使用深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)来解决类不平衡。基本思想是将DCGAN生成器生成的样本经过判别器过滤后与原始数据混合,以此构建平衡数据集来提高分类器的性能。为了证明方法的有效性,结合多种方法对原始数据集进行图形化表示,并生成新的图像数据集。最后通过对比实验利用精确率、召回率、F1值3个评价指标来评价分类效果。实验结果表明,使用DCGAN模型进行平衡的数据集在经典卷积神经网络(Convolutional Neural Network,CNN)分类模型下,分类效果优于人工少数类过采样法(Synthetic Minority Over-Sampling Technique,SMOTE)、生成对抗网络(Generative Adversarial Network,GAN)等方法。

摘要： 针对在SDN网络架构下数据流量在线分类问题,提出了一种基于格拉姆角场和卷积神经网络的流量分类方法。该方法利用SDN网络架构收集数据流的前几个数据包的少量统计特征,通过格拉姆角场实现特征的扩展,利用卷积神经网络实现数据流量的智能分类。通过与现有的分类方法对比分析,表明在获取的统计特征较少的情况下,本文提出的方法在分类准确率等方面表现更优。

摘要： 传统的僵尸网络检测方法无法及时可靠地发现不断进化的僵尸网络变种,机器学习方法被应用到僵尸网络的流量分析中,具有良好的效果。通过改进数据处理方法,剔除数据流中无效的信息,增加人工提取的特征来表现数据流的总体特征,然后使用卷积神经网络进行特征学习,提高检测的准确率。实验表明,改进后的僵尸网络检测准确率为99.02%,误报率为1.81%。

摘要： 针对海量数据流量,基于流量相似性的DDos攻击检测对弱攻击检测力度不足的问题,本文提出利用流量分类算法分解背景流量.通过流量的分解,把攻击流量尽可能分配到流量固定的分支中,从而间接强化攻击流量.通过利用FGN模型生成背景流量仿真实验结果表明,流量分类的方式显著提升了自相似性的异常流量检测模型对弱攻击的检测力度.

摘要： 网络流量分类一直是许多研究工作的关注领域,数据加密的普遍使用使其成为一个公开的技术挑战。数据加密是各种隐私增强工具中使用的一项关键技术。其中,基于匿名通信系统Tor构建的暗网是现今规模最大的匿名通信实体,常被犯罪分子用来从事各类违法犯罪活动,因此高效识别Tor流量具有重要研究意义。文章根据Tor匿名通信流量特点设计了一组用于Tor流量行为检测的网络流特征,并在原有深度森林模型的内存需求和时间开销局限性问题上,提出一种改进的深度森林模型,用于Tor网络流量的识别。实验结果表明,与已有识别方法相比,文章提出的模型准确率可达99.86%,同时,检测时间开销和内存需求都有所优化。

摘要： 本文提出了一种将特征生成和长短期记忆(long short term memory, LSTM)模型相结合的网络流量分类方法。该方法采用矩阵乘法特征生成方式,分析对比了不同特征生成方法的分类性能。通过实验比较了原数据和特征数据在分类问题上的准确性,并比较了卷积神经网络(convolutional neural network, CNN)和本文方法用于网络流分类的效果。在统计特征时采用核函数,使其可以适应LSTM输入维度,获得更佳的分类效果。对真实网络流数据的实验结果表明,本文方法在细分类中的准确度可达93.9%,而在粗分类任务中可达99.2%,其性能明显优于现有其他分类方法。

摘要： 准确的网络流量分类是一系列网络管理活动的重要基础.近年来,利用机器学习的原理处理流量分类问题成为网络测量领域的研究热点,其中朴素贝叶斯方法因为分类速度快,实现简单等优点而被广泛应用,但随着网络流量的变化和网络类别的增加,该方法的分类准确性和鲁棒性随着时间增长而逐渐降低,本文引入了一种新的流量分类模型更新方法,通过对模型的更新训练提升其分类性能,并保证模型应用的稳定性.理论分析和实验结果都表明:该方法能够使流量分类模型随着时间的增长而保持良好的总体性能,且不易受报文抽样的影响,能为其他诸多网络活动提供相应的支持.

摘要： 网络流的准确分类是许多网络研究工作的基础，一直是网络测量领域的研究热点，近年来涌现出许多新颖的流量分类技术。简要介绍流量分类技术的现状，分析目前流量分类技术，如有效载荷分析分类、统计分类、机器学习分类和TDGs推理等分类方法，介绍这些分类技术的基本原理及实现过程。指出流量分类技术的应用领域及未来研究方向。

摘要： 随着信息技术的飞速发展,围绕智能家庭网络安全,相关研究主要源于传统网络,包括身份验证、访问控制等主要静态防护手段;相较而言,实时检测机制明显匾乏.本文对智能家庭网络及其流量检测相关理论、技术和方法进行了深入分析,给出了一种结合电信运营商网络架构下的家庭网络环境流量分类的方法,在此基础上针对智能家庭网络环境中特定的流量基线进行适配,设计并实现了一个智能家庭网络流量分类异常检测、异常处置家庭网关及其配套系统.

摘要： 流量分类在深度包检测等网络信息安全领域具有广泛应用,而协议特征的发现是流量分类中的一个重要问题。基于文本类协议的特点提出了一种准确、高效的多协议特征自动提取方法。利用网络流量中文本内容的语义特点,将流量解析成语义单位,提出了一个在语义空间上的相似性比较方法,并据此对文本类的流量进行聚类。然后合并同一类的网络流量并提取出同类流量所共有的特征。实验表明,该方法对常见文本类协议拥有超过95％的准确率,并可以实现对流量的在线学习和分类。

摘要： 对于web应用来说,安全防护的作用在整个系统中正变得越来越重要,本文对web应用层面所面临的威胁进行了分析,进一步对各种防护手段进行了研究.

摘要： 对于web应用来说,安全防护的作用在整个系统中正变得越来越重要,本文对web应用层面所面临的威胁进行了分析,进一步对各种防护手段进行了研究.

摘要： 对于web应用来说,安全防护的作用在整个系统中正变得越来越重要,本文对web应用层面所面临的威胁进行了分析,进一步对各种防护手段进行了研究.

摘要： 对于web应用来说,安全防护的作用在整个系统中正变得越来越重要,本文对web应用层面所面临的威胁进行了分析,进一步对各种防护手段进行了研究.

摘要： 本申请提供一种流量数据增强方法、流量数据分类方法及相关装置，该方法包括：获取流量数据样本；对流量数据样本进行归并处理，获得归并处理后的流量数据；使用归并处理后的流量数据对生成对抗网络进行训练，获得生成对抗网络模型；使用生成对抗网络模型生成扩充流量样本；将扩充流量样本与归并处理后的流量数据结合，获得增强的流量数据集。在上述的实现过程中，通过训练后的生成对抗网络模型能够更好地生成扩充流量样本，从而获得扩充流量样本的流量数据集，有效地扩充了流量样本的数量。

摘要： 本发明实施例提供了一种流量分类模型建立及流量分类方法、装置、设备和服务器，通过获取样本流量集，提取样本流量集中各样本流量的行为特征向量，并计算每两个样本流量的行为特征向量之间的距离，根据每两个样本流量的行为特征向量之间的距离及局部密度参数，将样本流量集中与任意的第一样本流量的行为特征向量之间的距离小于截断距离的其他样本流量归为与第一样本流量同簇，基于针对各样本流量划分的簇，建立流量分类模型。通过本方案，使得基于针对各样本流量划分的簇建立的流量分类模型更为合理，并且在使用该流量分类模型进行流量分类时，能够提高流量分类结果的准确率。

摘要： 本发明公开了一种网络流量分类处理方法，包括：构建与服务分类结构对应的服务树；配置流量匹配参数，使所述服务树的任一结点关联相应服务的流量属性；配置执行策略，其中任一执行策略包括多条策略规则，每一策略规则定义一服务结点的处理动作；对于接收到的网络流量，执行与流量匹配参数的匹配，以及按照匹配结果，根据服务树结构调用相应的执行策略加以处理。本发明还公开了一种网络流量分类处理装置。通过本发明，能够减少进行网络流量管理的配置工作量，提高网络流量管理的可移植性；以及，对网络流量的管理更加高效、灵活。

摘要： 本发明提供一种可识别未知流量的网络流量分类方法和终端设备，方法包括：网络流量数据通过初始网络流量分类模型时，基于信息熵的阈值判断法判断网络流量数据是否为未知流量；未知流量属于新的类别；若网络流量数据为已知类别的流量则基于平衡损失的动态自适应算法为初始网络流量分类模型加入增量学习新的类别的能力，得到实时网络分类模型；把新的类别的损失和已知类别的蒸馏损失结合为平衡损失来作为实时网络分类模型的损失函数。网络流量分类模型在准确识别已知类别流量的同时，也能很好地识别未知类别流量，同时能够动态自适应当前网络环境中最新的流量，及时地自我更新，始终保持较高的分类准确率，非常适用于实时在线网络流量分类任务。

摘要： 本发明涉及一种基于单向突发流量特征的加密流量精细化分类方法，属于互联网加密流量分类技术领域。本方法首先从单向流量中提取区分度高且空间复杂度低的单向突发流量序列。然后与卷积神经网络等深度神经网络结合，能够在单向流量或双向流量的场景中开展加密流量的精细化分类与识别。本发明能适用于TLS加密的单向流量精细化分类，可以应用在单向和双向流量的场景中。单向突发流量序列不仅区分度高，而且相比于原始的包序列，空间复杂度大大降低。本发明使用没有全连接层的卷积神经网络从单向突发流量序列中提取高级特征然后分类，可以同时达到训练速度快和分类准确率高的目的。

摘要： 本发明实施例提供了一种流量分类模型建立及流量分类方法、装置、设备和服务器，通过获取样本流量集，提取样本流量集中各样本流量的行为特征向量，并计算每两个样本流量的行为特征向量之间的距离，根据每两个样本流量的行为特征向量之间的距离及局部密度参数，将样本流量集中与任意的第一样本流量的行为特征向量之间的距离小于截断距离的其他样本流量归为与第一样本流量同簇，基于针对各样本流量划分的簇，建立流量分类模型。通过本方案，使得基于针对各样本流量划分的簇建立的流量分类模型更为合理，并且在使用该流量分类模型进行流量分类时，能够提高流量分类结果的准确率。

摘要： 本发明公开了一种网络流量分类处理方法，包括：构建与服务分类结构对应的服务树；配置流量匹配参数，使所述服务树的任一结点关联相应服务的流量属性；配置执行策略，其中任一执行策略包括多条策略规则，每一策略规则定义一服务结点的处理动作；对于接收到的网络流量，执行与流量匹配参数的匹配，以及按照匹配结果，根据服务树结构调用相应的执行策略加以处理。本发明还公开了一种网络流量分类处理装置。通过本发明，能够减少进行网络流量管理的配置工作量，提高网络流量管理的可移植性；以及，对网络流量的管理更加高效、灵活。

摘要： 本发明涉及一种基于对抗生成网络流量增强的不均衡流量分类方法和系统。该方法在原始的不平衡流量数据集上预训练一个经验最优的网络作为分类器的初始状态；然后对生成器、判别器和分类器进行同步训练；生成器对少数类流量进行过采样以生成流量样本，并输入判别器和分类器；判别器判断输入的流量样本是真实数据还是生成器生成的数据，并反馈给生成器以帮助其进行优化学习；分类器对网络流量进行分类并将分类结果反馈至生成器，使生成器生成更符合对应类别样本分布的流量样本；训练完成后分类器的输出结果即为不均衡流量分类结果。本发明避免了使用通用过采样算法造成的不适用于流量数据的弊端，可以在真实网络环境中实现对不均衡流量的有效分类。

摘要： 本发明公开了一种网络流量分类方法，包括：采用了一种基于信息论的特征选择算法对初始数据集进行降维，给定特征度量的阈值，从高维数据集中挑选更能衡量不平衡网络流量的特征子集，采用了复杂度较低的最优候选子集搜索算法来进一步优化分类算法；本发明还公开了一种基于该方法的流量控制系统，控制系统包括：采用SDN网络架构实现流量控制功能，在应用平面嵌入网络流量分类模块，利用Ryu控制器开发此模块，实现网络流量收集、机器学习分类、根据分类结果输出对不同网络流量类别的服务类型等信息。

摘要： 本申请实施例公开了一种流量的分类方法，用于涉及通信领域，进一步涉及人工智能技术在计算机网络领域中的应用。该方法包括：本申请实施例中，流量管理设备接收第一流量之后，首先，流量管理设备将使用第一分类器对第一流量分类后得到第二流量。进而，流量管理设备将使用第二分类器对第二流量分类后得到第三流量，流量管理设备中第一分类器为分类粒度粗的分类器，第二分类器为分类粒度细的分类器，避免了两个独立的分类器对同一部分流量执行重复分类工作，节约了流量管理设备的资源，提升了流量管理设备的性能。