摘要：对网页流量进行混淆是当前很多非法网络通联突破监管的常用手段,有效识别网页流量对网络安全空间的防护至关重要。在网络流量识别领域,深度学习技术已成为突破传统方法局限性、提高识别准确率的关键。提出一种基于去噪动态窗循环神经网络(Denoising Dynamic Window Recurrent Neural Network,DDWRNN)的混淆加密网页流量识别方法,旨在高效地识别经过混淆处理的加密网页流量。首先基于去噪自编码器(Denoising Autoencoder,DAE)的降噪和特征提取能力有效提取具有较强鲁棒性的流量深层次时空特征,其次通过设计的动态窗循环神经网络的多尺度动态时间窗口捕获流量在不同时间尺度上的动态特征。实验结果表明,混淆加密网页流量识别的平均准确率达到95.7%,与其他机器学习、深度学习方法相比,提出的混淆加密网页流量识别方法不仅在识别准确率上有所提升,而且在处理复杂的流量模式、适应动态变化的网络环境方面也展现出较强的能力。

摘要：近年来,移动设备和应用程序的数量大幅增长。这个趋势有望使全球移动应用数据流量的规模在未来的数年里增长数倍,其中音视频流量在数据流量增量中占比最大,到2020年,这一占比将逾七成。然而,目前基于DPI的流量识别方法的明显短板就是不能很好的识别加密流量,并且已有实验表明,音视频应用产生的数据流量中,加密流量的占比非常高,导致传统DPI方法不能较好的识别移动音视频应用产生的数据流量。基于这一现状,比较非加密报文中的User-Agent、Host字段、及加密报文中的SNI字段在单独识别应用流量时的识别效果,并利用这3个字段生成应用指纹用以识别音视频流量中的非加密流量及加密流量。