摘要：网络摄像头、网络打印机这类基于IP协议无用户交互界面的物联网哑终端通常基于嵌入式系统开发,存在程序固化难以更新、计算资源有限、采用简单的安全认证机制等问题,出现安全漏洞难以进行升级很容易被攻击者控制发起网络攻击.针对上述问题,本文设计并实现了基于流量特征识别的哑终端安全管控系统.该系统提取终端的流量特征,实现终端的身份鉴别和行为监管.在设备接入时,提取终端的流量静态特征实现身份鉴别;在设备接入后通过分析流量动态行为特征判断其是否存在异常行为.发现异常行为后阻断会话连接.该系统在实验环境和实测环境下性能均表现较好,设备识别准确率达到96.6%,异常检测准确率达到97.7%,可有效检测DOS、端口扫描等网络攻击行为.

摘要：针对近年来物联网设备频繁受到僵尸网络(Botnet)攻击的问题,提出一种基于随机森林(random forests,RF)的包裹式特征选择方法RFCVFS(random forests cross validation feature selection),通过筛选合适的特征降低待检测数据的维度,达到提高模型检测效率的目的。实验结果表明,使用RFCVFS为9台不同的物联网设备分别筛选出有效特征并组成待检测数据,模型的训练时间最大降低82.67%,检测时间最大降低28.49%;对比PCA(principal component analysis)方法,其检测结果的准确率、真正率、F1、AUC(area under curve)分别最大可以高出13.82%、0.48%、7.63%、29.51%。

摘要：安全评估是贯穿信息系统生命周期的重要管理手段,是制定和调整安全策略的基础和前提,为此开展基于流量特征的网络信息安全评估模型研究。首先,选择网络信息安全评估指标,计算网络信息安全评估模型标准化风险值;其次,构建基于流量特征的模型描述与原始决策表,输出模型量化评估结果;最后,进行对比实验。实验结果表明,利用设计的评估模型可实现网络信息安全态势的准确识别。

摘要：本文分析了目前的P2P网络流量识别方法及其存在的问题。设计识别P2P流量的数据结构;在流量识别阶段,在传输层捕获TCP和UDP数据包,依据P2P流在传输层表现出来的主要流量特征,进行TCP/UDP流量特征的P2P流量识别;在载荷特征识别阶段,对载荷特征库定期更新,将在流量识别阶段中识别出的P2P流作精确载荷特征识别,并将流量识别阶段中漏掉的流量作载荷特征识别;在模式匹配过程采用比较指印函数值来加快识别速度;进而提出一个可准确识别出新生、加密的P2P流量及其名称的算法。实验结果表明,该算法具有较高识别和分类P2P流量的能力。

摘要：为了提高数字媒体网络视频通信流量预测能力,提出基于流量特征的数字媒体网络视频通信流量预测系统。构建分布式传感信息采集和多维空间存储结构模型,采用多源信息融合和特征重组方法实现时间序列重构,采用相空间重构和特征压缩方法,建立特征聚类模型,提取重建响应特征量,通过流量传输信道均衡控制方法,实现对数字媒体网络视频通信流量的实时预测。采用无线ZigBee组网控制协议,实现数字媒体网络视频通信流量预测的嵌入式程序开发设计,通过流量特征融合分析,实现通信流量的传输预测。仿真结果表明,采用该方法进行数字媒体网络视频通信流量预测的精度较高,系统传输可靠性较好。

摘要：文章首先介绍了当前网络环境下木马检测的经典方法、优缺点及其面临的挑战,然后从木马网络通信的本质特征出发,提出了基于网络流量特征的未知木马检测方案,描述了原型系统的设计方案及实现。通过测试结果表明,该方案可有效检测各类未知木马软件,保证高检出率的同时,误报率低。

摘要：信息保障(IA)态势是联合作战态势感知的重要组成部分,包括网络安全态势和密码应用态势两个方面。本文设计了基于传统网络流量特征和加密流量特征提取的联合察觉架构;通过提取协议、应用和服务等特征值,并对密码应用态势进行融合分析,可实现网络流量状态的可视化呈现,为联合作战超网络均衡与结构优化研究提供了支撑。

摘要：光网络受到许多因素的影响,具有非稳性、随机性、周期性等变化特性,而当前光网络流量变化特征分析方法没有综合考虑这些变化特点,使得光网络流量预测误差很大,为了全面对光网络流量变化特征进行准确分析,设计了一种大数据环境下的光网络流量变化特征分析方法。首先对当前国内外光网络流量变化特征分析研究现状进行分析,寻找出光网络流量变化特征分析方法存在的局限性,然后针对光网络流量复杂多变的特点,引入大数据环境下的数据分析方法,构建了光网络流量变化特征分析模型,最后对光网络流量变化特征分析模型的性能进行了测试。测试结果表明,本文方法的光网络流量变化特征分析结果的平均精度超过了95%,而当前经典光网络流量变化特征分析方法的精度均在90%以下,本文方法的平均分析时间大幅度减少,获得了更优的光网络流量变化特征分析率。

摘要：互联网流量的多样性和不确定性,以及大量的OTT(over the top)业务开始布局HTTPS加密[1],使得传统的流量分类技术存在识别精度不高甚至失效的问题。为解决此问题,提出了基于DFI(Deep Flow Inspection)的识别方法。通过分析不同业务的流量特点,选择适用于当前业务分类的业务特征,并结合DNS进行识别,达到了良好的区分粒度和较高的识别精度。我们使用这些特征构建DFI业务识别系统,并通过大量的识别实验和系统分析对其进行评估。结果表明,业务识别系统对各类业务的识别精度均在85%以上。

摘要：无线局域网在入侵检测过程中几乎都是根据已经被入侵的事实完成,缺少对安全形式波动的预判性,造成对入侵行为的检测存在滞后。为提高无线局域网络的安全性能,提出无线局域网络入侵行为的预判算法。首先利用小波阈值分类方法对无线局域网络展开去噪处理,然后通过Hilbert变换分析无线局域网络信号的频谱信息,获取入侵网络流量特征信息。根据网络流量特征的波动性,构建深度学习模型初步预判入侵行为,通过Bi-km eans的聚类结果生成未知入侵行为判断纠正项。将入侵行为的初步预判和未知入侵行为判断纠正项相结合,获得最终的入侵行为预判结果。实验结果表明:这种方法对无线局域网络入侵行为预判流量特征提取准确度高、检测率高、误报率低、检测时间短。