流量分类
流量分类的相关文献在2000年到2023年内共计485篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、电工技术
等领域,其中期刊论文174篇、会议论文5篇、专利文献155146篇;相关期刊91种,包括信息工程大学学报、电信科学、电子与信息学报等;
相关会议4种,包括第十九届全国网络与数据通信学术会议、中国教育和科研计算机网CERNET第十七届学术年会、第二届中国计算机网络与信息安全学术会议等;流量分类的相关文献由1333位作者贡献,包括熊刚、王勇、叶可江等。
流量分类—发文量
专利文献>
论文:155146篇
占比:99.88%
总计:155325篇
流量分类
-研究学者
- 熊刚
- 王勇
- 叶可江
- 陶晓玲
- 须成忠
- 李镇
- 赵世林
- 江勇
- 夏树涛
- 杨坚
- 刘丹
- 夏靖波
- 姚立霜
- 王一鹏
- 王云锋
- 王伟
- 程光
- 肖喜
- 裴作飞
- 郑海涛
- 郭莉
- 韦毅
- 刘畅
- 叶晓舟
- 唐宏
- 夏葳
- 庹宇鹏
- 张大方
- 曾学文
- 李丹丹
- 李双庆
- 毛科龙
- 管洋洋
- 翟江涛
- 苟高鹏
- 赖英旭
- 赵咏
- 钱亚冠
- 陈曙晖
- 马小博
- 亢蕊楠
- 伍欣
- 刘琼
- 卜智勇
- 孔德艳
- 孙广路
- 安冰玉
- 张建忠
- 张玉
- 张登银
-
-
张晓航;
李政;
朱晓明;
张海锋;
赵博宇
-
-
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。
-
-
王滨;
郭艳凯;
钱亚冠;
王佳敏;
王星;
顾钊铨
-
-
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。
-
-
王冲;
魏子令;
陈曙晖
-
-
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.
-
-
杨璇;
邬江兴;
赵博
-
-
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。
-
-
李睿;
丁要军
-
-
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。
-
-
池亚平;
刘怡龙;
许盛伟
-
-
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。
-
-
于洋;
陈丹伟
-
-
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%。
-
-
杨大寨;
王志猛;
仰望
-
-
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.
-
-
魏松杰;
李成豪;
沈浩桐;
张文哲
-
-
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。
-
-
王帅;
董育宁;
李涛
-
-
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。
-
-
ZHOU Ding-ding;
周丁丁;
CUI Yong-feng;
崔永锋;
DONG Shi;
董仕;
ZHOU Wen-gang;
周文刚
- 《第十九届全国网络与数据通信学术会议》
| 2012年
-
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.
-
-
-
-
赵咏;
姚秋林;
张志斌;
郭莉;
方滨兴
- 《第二届中国计算机网络与信息安全学术会议》
| 2009年
-
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。
-
-
-
-