基于流的网络用户行为检查系统的设计与实现

发布时间：2020-08-01 21:57

【摘要】：随着数字化时代的到来,网络成为许多企业运转时必不可少的因素之一,而由于公网上充满形形色色的攻击,因此越来越多的企业在机构内部建立内网,并设立专门的网络维护人员以保证内网使用时的有效性和稳定性。但这些措施对于内部员工在工作时间产生非工作流量时无法起到任何监督作用,并且当局域网中网络流量激增或出现攻击现象时,也无法及时查出被攻击的主机以及攻击源头。因此,对于网络管理的策略升级,网络管理人员往往处于一种滞后被动的状态。针对上述问题,本文设计了一个基于流的网络用户行为检查系统。用户的上网行为可以通过一段时间内用户使用的应用种类,应用流量数,应用使用时长等多方面因素进行分析和判断。因此通过采集和解析当前局域网内的流量数据,并使用神经网络判断该流量所属的应用类别,从而归纳出每一个用户的上网行为。通过该网络用户行为检查系统,网络管理员能够及时准确地了解当前局域网内流量的变化情况。本文的主要工作如下:(1)使用tornado框架实现一个多采集点,B/S结构的基于流的准实时网络用户行为检查系统。宏观处,该系统通过监控整个局域网内的流量数据,能够查看整个局域网中主机的拓扑结构,各类应用的吞吐量,告警数据等综合信息。微观处,对于指定的主机,能够详细查看当前主机上的应用流量的运行情况,并且根据主机产生的流量,对主机进行行为归类。通过Socket通信,使得多个采集点间的数据能够连通,网络管理员可在一台机器上看到多个采集点的网络情况。(2)使用深度学习算法解决流量分类问题。对于传统的流量识别方法,仅通过流量包头携带的通信协议和通信端口直接判断流量属于的应用类别,没有挖掘出特定应用与其流量的特征信息间的对应关系,分类精度较低。而传统机器学习分类方法只能离线学习数据特征,对于新补充的数据必须重新执行一次特征学习过程,效率较低。而本文分别构建了全连接神经网络和全卷积神经网络,对用户流量进行应用类别分类。两种神经网络均在数据集上达到了近99%的分类精度,同时分类速度接近10000条/秒,能够运用于网络用户行为检查系统中。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP393.08;TP311.52
【图文】：

示意图,模型结构,示意图,网络行为

电子科技大学硕士学位论文的发展有着密切的联系。娱乐类，如游戏，视频网站，大文件下载等，这些网络行为不仅给工作环境带来了恶劣的印象，同时占据了公司的带宽资源，但不会严重影响公司的正常业务开展。攻击类，如 DDos，蠕虫，端口扫描等，这些网络行为对公司的生产环境造成了破坏，需要加以阻止和追责。2.2 网络流量2.2.1 OSI 七层模型网络中的流量是由用户程序产生的数据以及各层协议加封的协议头组成，因此了解应用数据的封装过程是必要的。计算机网络数据间的通信遵循 OSI[11]（OpeSystem Interconnection）参考模型，总共分为 7 层，自顶向下为从应用层到物理层，详细结构与层级功能如图 2-1 所示。

示意图,神经细胞,示意图,信息接收器

而无监督学习则是往往是对数据进行回归或者近原始数据集的数学分布等。度学习被广泛运用到各个学术领域中，特别是人工确特征的领域中，如图像分类[19-21]，语义分割[22据仿真[30]，风格迁移[31,32]，任务决策[33-36]等。在这传统机器学习算法的能力，并且在某些领域中，超基本组件络的设计一定程度上模仿了人类大脑中神经元的作为信息接收器捕捉外界信息，并产生相应的化脑再根据这些信号进行处理，并作出相应决策。同对神经系统结构进行模拟，以解决一些难以划定边基本单元为人工神经元模型，由输入，权重以及神示。

示意图,全连接,结构对比,示意图

后一层是长度为 10 的全连接层，表示 0-9 这 10 个数字的类别概率。2.4.2.2 卷积层卷积层实际上是全连接层的某种特殊版本。由于全连接层之间神经元为全连接状态，因此参数量和计算量极大。假设输入的向量长度为m，输出的向量长度为n，那么模型的参数量为 × ，计算复杂度为O(m × n)。是对于数据位置临近程度决定相关性的数据，如图片数据。距离较远的像素之间的关联很弱。那么在全连接层中，这样的数据连接的权重值接近于 0。这样导致全连接层的权重矩阵中大部分均为接近 0 的权值，导致权重矩阵极为稀疏。因此可以通过限制连接数和限制连接方式来改善这一情况。卷积层则是一种具有稀疏连接和参数共享的全连接层。稀疏连接表示，对于输出的每一个神经元，不再于输入的所有神经元相连，而是仅与其中一小部分相连。假设每一个输出神经元仅与k个输入神经元相连，那么模型参数量下降到 × ，计算复杂度为O(k× n)。通过这种方式，可以比较高效的检测一些有意义的局部特征，比如物体边缘。一般k m，因此降低的参数量和计算量是几个数量级程度的。结构对比如图 2-3 所示。

【相似文献】