基于深度学习的网络流量识别关键技术研究
发布时间：2021-01-01 14:32
随着网络技术特别是移动互联网的发展,社会日常生产生活已经越来越依赖于网络。与此同时,维护网络空间安全与网络恶意攻击活动之间一直处于相互博弈的过程,木马、计算机蠕虫、拒绝服务等网络攻击越来越频繁,严重影响到人们对网络的正常使用。网络流量识别技术作为网络安全的基础,对保障网络合理运行、维护信息安全具有重要作用。一方面,通过对流量的精准识别可以减少不必要的网络连接,规避网络攻击风险。另一方面,网络管理者通过流量识别能够合理有效地分配网络资源,提供更好的网络服务。网络流量识别技术从互联网诞生开始,伴随着人们网络安全意识的提高,经历了由简到繁的发展过程。为了减少来自防火墙等安全设备不必要的阻断,越来越多的网络应用使用端口复用技术,导致基于预定义端口的流量识别方法已经基本失效。目前广泛使用的基于模式匹配的DPI技术,以及基于流统计特征和机器学习算法的DFI技术,均存在手工标记大量样本和提取识别特征的困难。另外,面对当前大规模的网络数据,网络流量识别的实时性与准确性之间难以达到良好的平衡,采用单一的识别技术已经难以满足当前高速复杂网络的需求。针对上述问题,本文紧紧围绕基于深度学习的流量识别技术展开研...
【文章来源】：战略支援部队信息工程大学河南省
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 研究内容及创新点
1.3 论文组织结构
第二章 相关工作
2.1 网络流量识别
2.1.1 基于预定义端口
2.1.2 深度包检测
2.1.3 深度流检测
2.1.4 深度学习方法
2.2 手机流量识别
2.2.1 用户行为发现
2.2.2 手机应用识别
2.3 本章小结
第三章 基于视觉特征的流量图像转化方法
3.1 网络应用流量分析
3.2 流量图像转化方法
3.2.1 有效数据提取
3.2.2 二维图像转化
3.3 手机流量图像数据集
3.4 本章小结
第四章 基于变分自编码网络VAEN的半监督流量识别方法
4.1 自动编码器
4.2 变分自编码算法
4.3 变分自编码网络模型VAEN
4.3.1 基于多层感知器非线性拟合的无监督特征提取
4.3.2 基于多类型回归的监督分类识别
4.4 实验与分析
4.4.1 网络结构的确定
4.4.2 样本重建
4.4.3 隐层特征可视化
4.4.4 流量识别评价标准
4.4.5 流量识别结果
4.5 本章小结
第五章 基于二维卷积感知网络2D-CPN的流量识别方法
5.1 卷积自编码算法
5.2 二维卷积感知网络模型2D-CPN
5.2.1 卷积特征提取与重构
5.2.2 基于多层感知器的特征映射
5.2.3 基于预训练和多类型回归的模型训练过程
5.3 实验与分析
5.3.1 模型预训练
5.3.2 样本重建
5.3.3 隐层特征可视化
5.3.4 流量识别结果
5.4 本章小结
第六章 面向高速网络的流量识别原型系统
6.1 系统整体方案设计
6.2 系统模块设计与实现
6.2.1 流负载均衡模块
6.2.2 前端识别模块
6.2.3 深度包检测模块
6.2.4 深度学习识别模块
6.3 系统测试与分析
6.3.1 实验环境
6.3.2 主机应用流量识别
6.3.3 手机应用流量识别
6.3.4 恶意程序流量识别
6.4 本章小结
第七章 总结与展望
7.1 工作总结
7.2 下一步工作
致谢
参考文献
作者简历
【参考文献】：
期刊论文
[1]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[2]基于TCP/IP协议的安全性分析[J]. 郭群. 电子制作. 2012(10)
[3]应用层协议识别算法综述[J]. 陈亮,龚俭,徐选. 计算机科学. 2007(07)
博士论文
[1]网络流量测量与识别关键技术研究[D]. 侯颖.解放军信息工程大学 2015
[2]网络流量分类识别若干技术研究[D]. 周文刚.电子科技大学 2014
[3]基于P2P流媒体模型的流量特征分析及实时分类[D]. 万成威.解放军信息工程大学 2012
[4]网络流量识别关键技术研究[D]. 林冠洲.北京邮电大学 2011
[5]面向业务感知的流量监控技术研究[D]. 朱洪亮.北京邮电大学 2010
硕士论文
[1]基于DPI的流量识别与控制系统的设计与实现[D]. 吴玉.北京邮电大学 2015
[2]基于DPI和DFI的应用层网络流量监控系统的研究与实现[D]. 丁瑶.江西理工大学 2014
[3]基于DPI与DFI的流量识别与控制系统的设计与实现[D]. 吴倩.电子科技大学 2013
[4]IP网络流量监测及用户行为分析[D]. 李晗.北京邮电大学 2010
[5]深度包检测技术的研究与设计[D]. 刘胤.贵州大学 2008
本文编号：2951462
【文章来源】：战略支援部队信息工程大学河南省
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 研究内容及创新点
1.3 论文组织结构
第二章 相关工作
2.1 网络流量识别
2.1.1 基于预定义端口
2.1.2 深度包检测
2.1.3 深度流检测
2.1.4 深度学习方法
2.2 手机流量识别
2.2.1 用户行为发现
2.2.2 手机应用识别
2.3 本章小结
第三章 基于视觉特征的流量图像转化方法
3.1 网络应用流量分析
3.2 流量图像转化方法
3.2.1 有效数据提取
3.2.2 二维图像转化
3.3 手机流量图像数据集
3.4 本章小结
第四章 基于变分自编码网络VAEN的半监督流量识别方法
4.1 自动编码器
4.2 变分自编码算法
4.3 变分自编码网络模型VAEN
4.3.1 基于多层感知器非线性拟合的无监督特征提取
4.3.2 基于多类型回归的监督分类识别
4.4 实验与分析
4.4.1 网络结构的确定
4.4.2 样本重建
4.4.3 隐层特征可视化
4.4.4 流量识别评价标准
4.4.5 流量识别结果
4.5 本章小结
第五章 基于二维卷积感知网络2D-CPN的流量识别方法
5.1 卷积自编码算法
5.2 二维卷积感知网络模型2D-CPN
5.2.1 卷积特征提取与重构
5.2.2 基于多层感知器的特征映射
5.2.3 基于预训练和多类型回归的模型训练过程
5.3 实验与分析
5.3.1 模型预训练
5.3.2 样本重建
5.3.3 隐层特征可视化
5.3.4 流量识别结果
5.4 本章小结
第六章 面向高速网络的流量识别原型系统
6.1 系统整体方案设计
6.2 系统模块设计与实现
6.2.1 流负载均衡模块
6.2.2 前端识别模块
6.2.3 深度包检测模块
6.2.4 深度学习识别模块
6.3 系统测试与分析
6.3.1 实验环境
6.3.2 主机应用流量识别
6.3.3 手机应用流量识别
6.3.4 恶意程序流量识别
6.4 本章小结
第七章 总结与展望
7.1 工作总结
7.2 下一步工作
致谢
参考文献
作者简历
【参考文献】：
期刊论文
[1]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[2]基于TCP/IP协议的安全性分析[J]. 郭群. 电子制作. 2012(10)
[3]应用层协议识别算法综述[J]. 陈亮,龚俭,徐选. 计算机科学. 2007(07)
博士论文
[1]网络流量测量与识别关键技术研究[D]. 侯颖.解放军信息工程大学 2015
[2]网络流量分类识别若干技术研究[D]. 周文刚.电子科技大学 2014
[3]基于P2P流媒体模型的流量特征分析及实时分类[D]. 万成威.解放军信息工程大学 2012
[4]网络流量识别关键技术研究[D]. 林冠洲.北京邮电大学 2011
[5]面向业务感知的流量监控技术研究[D]. 朱洪亮.北京邮电大学 2010
硕士论文
[1]基于DPI的流量识别与控制系统的设计与实现[D]. 吴玉.北京邮电大学 2015
[2]基于DPI和DFI的应用层网络流量监控系统的研究与实现[D]. 丁瑶.江西理工大学 2014
[3]基于DPI与DFI的流量识别与控制系统的设计与实现[D]. 吴倩.电子科技大学 2013
[4]IP网络流量监测及用户行为分析[D]. 李晗.北京邮电大学 2010
[5]深度包检测技术的研究与设计[D]. 刘胤.贵州大学 2008
本文编号：2951462
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/2951462.html
