摘要
随着社会快速发展，互联网规模越来越庞大，多元化的网络应用类型层出不穷。技术的发展和应用种类的繁多满足了人们全方位的需求，同时也给网络的管理与维护带来了巨大挑战。准确高效地对网络流量进行分类是网络管理中的关键环节。由于用户更加注重数据隐私，以及加密算法的多样性与复杂性，造成了网络流量识别的困难。然而传统的流量识别模型和方法不能很好满足当前复杂场景的需求，研究探讨新的流量识别模型和方法具有重要的现实意义和社会经济价值。 与传统的模型和方法相比，深度学习可以建立端到端的模型，具有更好的分类精度以及泛化能力，本文基于深度学习对加密流量分类进行研究，主要研究工作包括： （1）针对网络流量典型的时序特性，提出基于注意力机制的A-BiGRU加密流量分类模型。模型首先通过Embedding方法，实现网络流量数据由输入空间到特征空间的映射。其次建立编码解码器模型，采用双向GRU的编码器更好的实现对长网络流量序列的上下文信息学习编码。通过注意力机制提升模型对关键特征的学习，进而提高模型的分类精度。考虑数据集中样本类别不平衡问题，通过FocalLoss损失函数，增强模型对类别较少样本的学习能力，从而提升模型的分类精度和泛化能力。 （2）从模型在实际应用部署中的运行性能角度出发，提出基于空洞卷积的Dilated-1DCNN加密流量分类模型。模型通过构造点卷积模块对计算量进行优化改进，构建残差模块用于加深网络模型的深度，同时构造级联的空洞卷积单元实现感受野的指数增加，因此模型在处理长网络流量序列时可以获得相对较高的精度。最后对模型的复杂度进行分析与计算，并与A-BiGRU模型进行对比，计算量降低10倍以上，具有显著的性能优势。 （3）在ISCXVPN-nonVPN数据集上进行多组实验对比。实验结果表明，注意力机制的引入使得A-BiGRU模型的分类准确率明显提升；FocalLoss损失函数能够有效改善在类别不平衡数据集中模型对于较少样本数据特征的学习能力；在应用程序分类和流量类型分类的两个任务中，A-BiGRU模型分别取得了0.99、0.97的F1值，Dilated-1DCNN获得了0.97、0.94的F1值。在与相关模型的对比实验中，A-BiGRU模型取得较好的分类精度。Dilated-1DCNN模型在取得相对较高的精度前提下，相对其他模型具有最少的参数量和最小的计算量，在实际应用部署中具有显著性能优势。
NETL