检索结果-南通市图书馆

基于多层双向SRU与注意力模型的加密流量分类方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机工程 2022年第11期48卷 127-136页

作者：张稣荣卜佑军陈博孙重鑫王涵胡先君中国人民解放军战略支援部队信息工程大学信息技术研究所郑州450000 网络通信与安全紫金山实验室内生安全研究中心南京211100

基于传统循环神经网络的加密流量分类方法普遍存在并行性较差、模型运行效率较低等问题。为实现加密流量的快速准确分类,提出一种基于多层双向简单循环单元(SRU)与注意力(MLBSRU-A)模型的加密流量分类方法。将特征学习和分类统一到一个... 详细信息

基于传统循环神经网络的加密流量分类方法普遍存在并行性较差、模型运行效率较低等问题。为实现加密流量的快速准确分类,提出一种基于多层双向简单循环单元(SRU)与注意力(MLBSRU-A)模型的加密流量分类方法。将特征学习和分类统一到一个端到端模型中,利用SRU模型高度并行化的序列建模能力来提高整体运行效率。为了提升MLBSRU-A模型的分类精度,堆叠多层双向SRU网络使其自动地从原始流量中提取特征,并引入注意力机制为特征赋予不同的权重,从而提高重要特征之间的区分度。实验结果表明,在公开数据集ISCX VPN-nonVPN上,MLBSRU-A模型具有较高的分类精度和运行效率,与BGRUA模型相比,MLBSRU-A的细粒度分类准确率提高4.34%,训练时间减少55.38%,在USTC-TFC2016数据集上,MLBSRU-A模型对未知加密恶意流量的检测准确率达到99.50%,细粒度分类准确率为98.84%,其兼具对未知加密恶意流量的高精度检测能力以及对加密恶意流量的细粒度分类能力。

关键词：加密流量分类加密恶意流量检测简单循环单元注意力机制循环神经网络

基于深度学习的SSL VPN加密流量的分类识别

在线全文

学校读者我要写书评

暂无评论

四川大学学报（自然科学版） 2023年第6期60卷 99-106页

作者：刘亮由健林张磊四川大学网络空间安全学院成都610065

随着虚拟专用网技术的广泛使用,VPN加密流量的分类识别对于网络安全管理的重要性愈发明显,而传统流量分类技术在提取特征和关键协议字段时效率较低.因此,本文提出一种基于卷积神经网络的深度学习模型,用以实现SSL VPN加密流量的分类识别... 详细信息

随着虚拟专用网技术的广泛使用,VPN加密流量的分类识别对于网络安全管理的重要性愈发明显,而传统流量分类技术在提取特征和关键协议字段时效率较低.因此,本文提出一种基于卷积神经网络的深度学习模型,用以实现SSL VPN加密流量的分类识别,并减少特征工程中的人力成本.首先,将流量区分为VPN加密流量和非VPN加密流量,并且确定出这两类流量所属的服务类型;然后对所有流量进行分类,识别出产生流量的应用类型.考虑到网络流量中存在的时序关系,采用一维卷积神经网络作为深度学习的模型,通过构建Pytorch的实验环境,采用ISCX2016数据集,实现对VPN加密流量的分类任务.通过参数优化,除数据量较小的数据类型外,应用识别的平均F1-score为91.73%,流量识别的平均F1-score为91.13%.实验结果表明,基于一维卷积神经网络的深度学习方法对于识别SSL VPN流量是可行和有效的.

关键词：加密流量分类深度学习一维卷积 SSL VPN

基于注意力机制的CNN和BiGRU的加密流量分类

在线全文

学校读者我要写书评

暂无评论

计算机科学 2023年

作者：陈思雨马海龙张建辉嵩山实验室郑州大学网络空间安全学院解放军战略支援部队信息工程大学信息技术研究所

针对传统加密流量分类方法准确率低、利用流量载荷会侵犯用户隐私以及泛化能力弱的问题，提出一种基于注意力机制的CNN和BiGRU（CNN-AttBiGRU）的加密流量分类方法，可以同时适用于常规加密和VPN、Tor加密流量。该方法基于包大小、包到... 详细信息

针对传统加密流量分类方法准确率低、利用流量载荷会侵犯用户隐私以及泛化能力弱的问题，提出一种基于注意力机制的CNN和BiGRU（CNN-AttBiGRU）的加密流量分类方法，可以同时适用于常规加密和VPN、Tor加密流量。该方法基于包大小、包到达时间以及包到达方向将流量转化成直观的图片，为提高模型准确率，使用CNN提取流量图片的空间特征，同时设计BiGRU和Self-attention模型提取时间特征，充分利用流量图片的时间和空间特征，可按照流量类别、加密技术和应用类型对流量进行不同层面的分类。该方法对加密流量类别分类的平均准确率达95.2%，较以往提升11.65%；对加密技术分类的准确率达95.5%，较以往提升7.1%；对流量所使用的应用程序分类的准确率达99.8%，较以往提升11.03%。实验结果表明，CNN-AttBiGRU方法的泛化能力强，并且仅利用加密流量的部分统计特征，有效地保护了用户隐私，同时取得了高准确率。

关键词：加密流量分类深度学习卷积神经网络双向门控循环单元自注意力机制

基于改进的CNN-Transformer加密流量分类方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

吉林大学学报（理学版） 2024年第3期62卷 683-690页

作者：高新成张宣樊本航刘威张海洋东北石油大学现代教育技术中心黑龙江大庆163318 东北石油大学计算机与信息技术学院黑龙江大庆163318

针对传统加密流量分类模型对特征提取不足导致分类准确率较低等问题,使用深度学习技术,提出一种基于改进的卷积神经网络结合Transformer的加密流量分类模型.为提高分类精度,首先将数据集切割填充并完成标准化处理;然后采用Transformer... 详细信息

针对传统加密流量分类模型对特征提取不足导致分类准确率较低等问题,使用深度学习技术,提出一种基于改进的卷积神经网络结合Transformer的加密流量分类模型.为提高分类精度,首先将数据集切割填充并完成标准化处理;然后采用Transformer网络模型中的多头注意力机制捕获长距离的特征依赖,利用卷积神经网络提取局部特征;最后加入Inception模块实现多维特征提取和特征融合,完成模型训练和加密流量分类.在公共数据集ISCX VPN-non-VPN 2016上进行实验验证,实验结果表明,该模型的分类准确率达98.5%,精确率、召回率和F_(1)值均达98.2%以上,相比其他模型分类效果更优.

关键词：加密流量分类卷积神经网络多头注意力机制特征融合

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

面向加密流量分类的深度可解释方法

计算机应用 2023年第4期43卷 1151-1159页

作者：崔剑麻开朗孙钰王豆周君良北京航空航天大学网络空间安全学院北京100191 空天网络安全工业和信息化部重点实验室(北京航空航天大学) 北京100191 浙江浙能数字科技有限公司杭州311100 浙江浙石油综合能源销售有限公司杭州310000

目前的深度学习模型在加密流量分类任务上相较于传统机器学习方法的性能优势显著,然而由于它固有的黑盒特性,用户无法获知深度学习模型作出分类决策的机理。为了在保证分类准确率的同时提高深度学习模型的可信度,提出一种面向加密流量... 详细信息

目前的深度学习模型在加密流量分类任务上相较于传统机器学习方法的性能优势显著,然而由于它固有的黑盒特性,用户无法获知深度学习模型作出分类决策的机理。为了在保证分类准确率的同时提高深度学习模型的可信度,提出一种面向加密流量分类深度学习模型的可解释方法,包括基于原型的流量层级主动解释和基于特征相似显著图的数据包层级被动解释。首先,利用基于原型的流量原型网络(FlowProtoNet),在训练时自动提取各类流量的典型片段,即流量原型;其次,在测试时计算出待测流量与各类原型的相似度,从而在分类的同时实现训练集的溯源解释;然后,为进一步提升可视化解释能力,提出梯度加权的特征相似度显著图(Grad-SSM)方法。Grad-SSM首先通过梯度对特征图加权,过滤分类决策无关区域;接着,计算待测流量与FlowProtoNet提取的原型之间的推土机距离(EMD)得到相似矩阵,从而通过比较测试流量与该类原型,实现注意力热图的进一步聚焦。在ISCX VPN-nonVPN数据集上,所提方法的准确率达到96.86%,与不可解释的人工智能方法持平,而FlowProtoNet能通过给出与原型的相似度,进一步提供分类依据;同时,所提方法的可视化解释能力更强,注意力更聚焦于流量中的关键数据包。

关键词：加密流量分类可解释人工智能原型溯源可视化解释能力

基于注意力机制的图神经网络加密流量分类研究

在线全文

学校读者我要写书评

暂无评论

信息安全研究 2023年第1期9卷 13-21页

作者：喻晓伟陈丹伟南京邮电大学计算机学院、软件学院、网络空间安全学院南京210023

对于加密流量的精确化识别,现有的基于机器学习和基于图的解决方案需要人工进行特征选择或者精度较低.使用一种基于图神经网络的加密流量识别方法,通过将网络流量数据转换为图数据,保留了网络数据流的丰富表示,将网络流量分类问题转换... 详细信息

对于加密流量的精确化识别,现有的基于机器学习和基于图的解决方案需要人工进行特征选择或者精度较低.使用一种基于图神经网络的加密流量识别方法,通过将网络流量数据转换为图数据,保留了网络数据流的丰富表示,将网络流量分类问题转换为图分类问题.并设计了一个基于自注意力机制的图分类模型进行加密流量的分类.实验结果表明,该方法对基于安全套接层(secure socket layer,SSL)的虚拟专用网(virtual private network,VPN)加密流量具有较好的分类效果,分类准确率有较大提高.

关键词：加密流量分类流量图注意力机制图神经网络 SSL加密流量

在线全文

学校读者我要写书评

暂无评论

基于深度学习的加密流量分类方法研究

基于深度学习的加密流量分类方法研究

作者：弭喜临兰州大学

学位级别：硕士

随着互联网技术的发展和人们对于隐私安全的注重,互联网中涌现出多种加密协议。加密流量的广泛使用使得传统的网络安全防护手段难以对其进行有效的检测和防御,加密流量分类技术的研究成为解决网络安全问题的重要途径;加密流量的增加也... 详细信息

随着互联网技术的发展和人们对于隐私安全的注重,互联网中涌现出多种加密协议。加密流量的广泛使用使得传统的网络安全防护手段难以对其进行有效的检测和防御,加密流量分类技术的研究成为解决网络安全问题的重要途径;加密流量的增加也影响到了网络的管理和维护,研究加密流量分类技术也有助于解决网络管理问题。随着人工智能技术的不断发展,深度学习技术被广泛应用于加密流量分类领域,用以提高分类的准确性和效率。论文主要的工作内容和创新点如下:1.在加密流量研究领域,带标签的加密流量数据集采集较为困难,无标签数据集采集较为容易。论文提出了一种基于深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)的半监督加密流量分类模型(BiLSTM CNN Semi-Supervised Generative Adversarial Networks,BCSGAN)。具体来说是将DCGAN鉴别器中CNN基础网络改进为双向长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)与卷积神经网络(Convolutional Neural Networks,CNN)的级联网络,通过对流量的时空特征进行充分提取来提升分类的效果。实验结果表明,在相同数据集下,BCSGAN的分类效果好于其它流量分类模型;在10%带标签数据集下,达到了94.02%的分类精度,表明BCSGAN模型具有较好的加密流量识别能力。2.由于网络应用使用情况差异等原因,加密流量数据集中存在类不平衡问题。为改善上述问题,论文提出了一种基于生成对抗网络(Generative Adversarial Networks,GAN)的加密流量数据增强模型(Conditional Deep Convolution Generative Adversarial Networks,CDCGAN),该模型可通过流量标签的输入作为额外条件,指导GAN网络生成特定类型的小样本流量;模型基于DCGAN在图片生成领域的优势,将一维流量转换为二维灰度图,通过图片生成的方式进行数据增强。实验结果表明,在基于BCSGAN的分类实验中,数据集增强后的分类精度由94.15%提升到96.98%。与过采样、合成少数类过采样技术(Synthetic Minority Oversampling,SMOTE)等经典数据增强方法相比,CDCGAN在分类精度上提升约3%,为缓解数据集不平衡提供了新的思路。3.在加密流量分类研究中,包括基于统计特征和基于原始数据时空特征两种方式,前者在面对不同类型分类任务时缺乏有效的通用统计特征,后者在数据预处理时会破坏数据的统计特征。为改善上述问题,论文提出了一种基于统计特征及原始流量时空特征融合的加密流量分类网络(Feature Fusion,FEAFU)。FEAFU模型使用自编码器完成对统计特征的降维,基于残差网络完成对加密流量的时空特征提取,将两种特征进行融合得到综合特征完成分类任务。实验结果表明,模型在分类精度上可达到99.79%的水平,表现优于其它经典流量分类模型。

关键词：加密流量分类深度学习半监督学习生成对抗网络特征融合

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的加密流量识别分类研究

基于深度学习的加密流量识别分类研究

作者：郝立鑫中北大学

学位级别：硕士

随着互联网的飞速发展和普及,推动了各行业的数字化转型和互联网应用的蓬勃发展,网络流量呈爆发式增长,为了网络信息在传输过程中的隐私性和安全性,越来越多的网络服务和应用使用加密技术对数据进行加密,加密流量在保护个人隐私和网络... 详细信息

随着互联网的飞速发展和普及,推动了各行业的数字化转型和互联网应用的蓬勃发展,网络流量呈爆发式增长,为了网络信息在传输过程中的隐私性和安全性,越来越多的网络服务和应用使用加密技术对数据进行加密,加密流量在保护个人隐私和网络安全的同时,也让基于明文流量的传统流量识别分类方法对其难以正确识别分类,流量识别分类对提升网络管理水平和维护网络安全具有重要意义,因此,如何对加密流量进行正确识别分类,是目前亟待解决的问题。本文以实现对加密流量进行高效、可靠的识别分类作为研究方向,通过比较现有多种加密流量识别分类方法的优缺点,设计了一种基于时空特征和自注意力机制的加密流量识别分类方法。该方法首先提取了加密流量的时序特征和空间特征,并通过自注意力机制关注更为重要的时空特征,然后将提取到的时空特征进行融合,作为对加密流量识别分类的重要依据。实验结果表明,在公开的加密流量数据集上,本方法对12种加密流量进行识别分类时,准确率、精确率、召回率和F1值均高于97.5%。针对目前大多数加密流量识别分类方法难以抵御对抗样本攻击、鲁棒性较低的问题,设计了一种基于多模型融合的加密流量识别分类方法,该方法采用了集成学习的思想将多个单一分类模型组合成更强大的集成分类模型,集成分类模型中单一分类模型可以通过负反馈控制器进行动态更新和优化,并且不同的单一分类模型有着不同的特征提取方法、模型结构和超参数,这大大增加了攻击者的攻击难度,提高了该分类方法抵御对抗样本的能力。实验结果表明,在公开的加密流量数据集上,与无对抗样本环境下相比,本方法在有对抗样本环境下,对加密流量在不同实验场景中进行识别分类时,准确率和F1值最高只降低了4.2%。结合以上两种加密流量识别分类方法,设计了一套加密流量识别分类系统,该系统采用模块化设计,有着较好的可维护性和扩展性,实现了流量采集,流量预处理,流量识别分类,分类结果存储和展示的功能,完成了对加密流量的识别分类。

关键词：加密流量分类深度学习多模型融合分类系统

基于混合压缩和生成对抗网络的加密流量分类研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于混合压缩和生成对抗网络的加密流量分类研究

作者：牟乔旭吉林大学

学位级别：硕士

网络流量分类在保证网络应用服务质量、合理分配网络资源和保证网络安全等方面发挥着重要作用。近年来随着加密流量技术在网络技术中的广泛应用,流量加密已成为标准做法,导致了传统的网络流量分类方法的准确率和时效性大幅度下降。随着... 详细信息

网络流量分类在保证网络应用服务质量、合理分配网络资源和保证网络安全等方面发挥着重要作用。近年来随着加密流量技术在网络技术中的广泛应用,流量加密已成为标准做法,导致了传统的网络流量分类方法的准确率和时效性大幅度下降。随着,深度学习在图像识别等方向取得巨大成功,研究人员多考虑将CNN、LSTM等深度学习网络应用在网络流量分类方向上。与传统方法相比,深度学习方法可以自动获取更加有效的特征而不依赖人工设计,同时能保持高精度,因此更加适合当前加密流量占主体的网络环境。但是,对于高度冗余的数据集,现有的深度学习方法需要占用大量的存储和计算资源以获得高精度。然而,如果将模型部署在线上时,会发现模型空间占用和精度之间的关系是非线性的,模型参数数量越大,知识的提高越慢。除此之外,数据集中样本数量不平衡也严重影响了分类的准确性,样本数量小的类别往往和其他样本准确率相差极大。针对上述问题,提出了基于混合压缩的加密网络流量分类模型和基于生成对抗网络的轻量级加密流量分类模型。本文的主要贡献为:1.本文提出了基于过滤器剪枝和知识蒸馏的加密流量分类模型。由于网络流量和时间关系紧密,为了保证模型学习到的信息的时效性,本文采用LSTM作为模型的基本网络结构。为了减小模型的内存和计算资源占用,本文在进行深度学习的同时将过滤器剪枝和知识蒸馏两种方法混合使用。首先训练一个高精度、设计复杂的大型模型作为教师模型。然后对教师模型进行过滤器剪枝,去掉权值和较小的过滤器并重新训练教师模型。最后,使用教师模型softmax层输出作为软标签和学生模型的softmax层输出一起作为损失函数来训练学生模型。这样做可以把教师模型的知识传输到学生模型,使得较为紧凑的学生模型可以达到和教师模型近似的精度和性能。实验表明教师模型在空间占用下降74.16%的同时,推理速度上升了58.33%,模型训练速度上升了31.81%,同时模型的准确率没有下降。学生模型空间占用仅为教师模型的0.21%,推理速度上升了69.91%,训练速度上升了46.14%,同时相比教师模型准确率仅仅下降了0.61%。2.本文还给出了一个解决数据集中样本数量不平衡问题的方案。网络流量数据集通常无法保证样本类别间的数量平衡,所以往往少数类的分类准确率很低。为了加强模型对于少数类的学习能力,本文采用生成对抗网络来学习少数类样本的特征,进而通过生成对抗网络的生成器来生成足以“以假乱真”的数据。之后,在保持原数据集中训练集和测试集比例的前提下,将生成对抗网络生成的少数类的数据加入到原数据集中生成一个新的数据集。最后,利用新的数据集去训练基于混合压缩的加密网络流量分类模型。实验表明将Email、Vo IP、Streaming、VPN-Vo IP类的Precision提高到1,Recall和F1-score都有着相应的提高。

关键词：加密流量分类深度学习剪枝知识蒸馏生成对抗网络