基于深度流檢測的P2P網(wǎng)絡(luò)流量識別系統(tǒng)的中期報告

基于深度流檢測的P2P網(wǎng)絡(luò)流量識別系統(tǒng)的中期報告一、研究背景P2P（Peer-to-Peer）網(wǎng)絡(luò)已成為當今互聯(lián)網(wǎng)最重要的應(yīng)用之一，隨著P2P應(yīng)用迅速發(fā)展，其所占總流量的比例也不斷增加。P2P網(wǎng)絡(luò)是指一種直接連接到互聯(lián)網(wǎng)的互聯(lián)網(wǎng)應(yīng)用程序，因此其流量識別是網(wǎng)絡(luò)管理、網(wǎng)絡(luò)安全等領(lǐng)域的重要研究方向之一。傳統(tǒng)的流量監(jiān)測方法主要基于通信端口或協(xié)議識別，但這些方法已經(jīng)逐漸失效，因為現(xiàn)今的P2P應(yīng)用程序往往使用隨機或動態(tài)端口。因此，P2P網(wǎng)絡(luò)流量識別已經(jīng)成為一個重要的難題。近年來，深度學(xué)習(xí)在圖像識別、語音識別和自然語言處理等領(lǐng)域都取得了巨大成功，因此也開始在網(wǎng)絡(luò)流量識別領(lǐng)域得到廣泛應(yīng)用。本研究旨在基于深度流檢測方法，實現(xiàn)P2P網(wǎng)絡(luò)流量識別。二、研究內(nèi)容本研究基于深度學(xué)習(xí)技術(shù)，采用深度流檢測方法對P2P流量進行識別。具體內(nèi)容包括以下幾個方面：1.數(shù)據(jù)集構(gòu)建：從公開數(shù)據(jù)集和采集的真實網(wǎng)絡(luò)數(shù)據(jù)中，選擇常見的P2P應(yīng)用作為訓(xùn)練數(shù)據(jù)，并將其與其他非P2P流量混合，構(gòu)建混合流量數(shù)據(jù)集。2.特征提?。翰捎镁矸e神經(jīng)網(wǎng)絡(luò)（CNN）對網(wǎng)絡(luò)數(shù)據(jù)進行特征提取，提高網(wǎng)絡(luò)識別準確率。3.分類模型設(shè)計：根據(jù)提取的特征，設(shè)計分類模型對P2P流量和非P2P流量進行分類。4.模型優(yōu)化：對設(shè)計好的模型進行優(yōu)化，包括優(yōu)化超參數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)和模型訓(xùn)練策略等。5.系統(tǒng)實現(xiàn)：在Python平臺下實現(xiàn)基于深度流檢測的P2P網(wǎng)絡(luò)流量識別系統(tǒng)，并進行實驗評估。三、預(yù)期目標本研究的預(yù)期目標如下：1.設(shè)計一套高效的P2P流量識別系統(tǒng)，能夠準確識別P2P流量，并區(qū)分其他流量類型。2.通過實驗驗證，證明基于深度流檢測方法的P2P網(wǎng)絡(luò)流量識別系統(tǒng)的效果優(yōu)于傳統(tǒng)的端口和協(xié)議識別方法。3.探討深度學(xué)習(xí)在網(wǎng)絡(luò)流量識別領(lǐng)域的應(yīng)用，為進一步研究提供借鑒和參考。四、研究進展本項研究目前已完成數(shù)據(jù)集的構(gòu)建、特征提取、分類模型設(shè)計等工作。1.數(shù)據(jù)集構(gòu)建數(shù)據(jù)集的構(gòu)建主要分為數(shù)據(jù)源采集和數(shù)據(jù)集劃分兩個部分。數(shù)據(jù)源采集：采集公開數(shù)據(jù)集以及各個應(yīng)用的真實網(wǎng)絡(luò)數(shù)據(jù)。公開數(shù)據(jù)集包括CICIDS2017、ISCXVPN2016和CSE-CIC-IDS2018等。真實數(shù)據(jù)采集方式為抓包，抓取了各種類型的應(yīng)用流量。將所有數(shù)據(jù)混合為一份數(shù)據(jù)集。數(shù)據(jù)集劃分：將所有數(shù)據(jù)分為訓(xùn)練集、驗證集和測試集三部分。其中訓(xùn)練集占數(shù)據(jù)集的80%、驗證集占數(shù)據(jù)集的10%、測試集占數(shù)據(jù)集的10%。2.特征提取特征提取主要采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法，對數(shù)據(jù)進行深度特征提取。CNN網(wǎng)絡(luò)包括卷積層、池化層、全連接層和激活函數(shù)等。本項研究采用了三層的CNN網(wǎng)絡(luò)，其中卷積層和池化層均采用了多尺度和多核方法，增加了網(wǎng)絡(luò)的泛化能力。經(jīng)過特征提取的輸出向量將作為分類模型的輸入。3.分類模型設(shè)計基于特征提取的結(jié)果，本項研究設(shè)計了一種P2P流量分類模型。分類模型采用了全連接神經(jīng)網(wǎng)絡(luò)，并且設(shè)計了兩個隱藏層。為了避免模型過擬合，分類模型采用了Dropout以及L1和L2正則化方法進行優(yōu)化。本項研究在訓(xùn)練模型時采用了交叉熵誤差函數(shù)，使用Adam優(yōu)化算法進行模型優(yōu)化。經(jīng)過模型訓(xùn)練和驗證，實現(xiàn)了對P2P流量和非P2P流量的分類。四、總結(jié)本項研究目前已完成數(shù)據(jù)集構(gòu)建、特征提取和分類模型