网络流量分类研究.ppt

网络流量分类研究,演讲人：衡丽花 导 师：王宗敏 指导老师： 陈 刚,研究背景、意义和现状 流量分类基本概念 当前流量分类进展 几种分类方法的比较 流量分类未来发展预测 下一步工作,主要内容,自P2P网络出现以来，网络流量越来越大； 网络流量管理技术可以帮助网络运营商提供更好的服务质量，还能对网络进行有效的监督管理。,研究背景,通过流分类，可以获悉各类网络应用所占比例，研究新的协议与应用，预测网络业务的发展趋势，合理规划网络； 定期分析重要的特定流量，了解流入流出信息，发现设备故障、链路拥堵、用户带宽的使用及发现入侵和恶意攻击等。,研究意义,Niksun公司的NetDetector 提供实时、连续的流量记录和分析； 需时较长，工程规模复杂，费用极高； FLUKE公司的网络协议分析仪OPV_WGA 提供对网络的从一层到七层的全部分析； 基于端口的传统协议； 华为3Com公司的NTA（Network Traffic Analysis） 基于三层协议号、端口号，可以识别上千种应用； 无法分析四层至七层的应用流量； Cisco公司的SCE 采用DPI对应用层协议进行识别； 只能识别已知的非加密协议；,现有的网络流量分类产品,a）Bit-level：关注网络流量的数据特征 b）Packet-level：关注数据包（packet）的特征及其到达过程、延迟和丢包率等 c）Flow-level：依据地址和应用协议划分，关注流的到达过程、到达间隔及其局部特性等 d）Stream-level：关注主机对之间的应用流量,不同层面（粒度）的流量分析,流量分类度量标准,TP(True Positives),属于类别X并被正确预测为类别X的百分比； FN(False Negatives), 属于类别X但被预测为不是类别X的百分比； FP(False Positives),不属于类别X但被预测为类别X的百分比； TN(True Negatives),不属于类别X并被预测为不是类别X的百分比。 Accuracy： TP+TN TP+FN+FP+TN Recall: TP TP+FN Precision: TP TP+FP,依赖TCP或UDP数据包中的端口号，将熟知的端口号进行映射来识别不同的应用类型。分类器只需找到一次TCP连接中的SYN包，并从这个SYN包中找到目的端口号即可。UDP也使用类似的方法。,基于端口号的流量分类,根据网络应用在传输过程中所具有的特征来区分不同的应用，需要解析数据包中的特征字段。主要用于识别P2P协议流量。,基于特征字段的流量分类,基于传输层主机行为的流量分类,分析主机在传输层的行为模式，主要有三个特点：不需要访问数据包的载荷内容；无需识别端口号；只需采集当前的流量信息。,主要分析三个层次的内容： 社会层：分析某台主机与哪些主机进行相互通信； 功能层：研究主机在网络中的功能，即它是做为一个提供者还是请求者，或者是两者兼有； 应用层：捕获特定主机间的相互作用，利用一个四元组通过观察流的特性来细化分类。,基于机器学习的流量分类分类,也称监督机器学习方法，根据已标记样本的特点构造分类规则或分类器，将未知类别的样本映射到给定类别中的一个。它的输入为一些已经分好类的样本实体的集合，输出为通过这些样本产生的一个分类模型。主要包括两个过程：训练过程和分类过程。 目前，分类模型的构造方法主要包括决策树、朴素贝叶斯、支持向量机、关联规则学习、神经网络、NN算法、LDA算法和遗传算法等。,基于机器学习的流量分类聚类,无监督学习，它是最终要发现相似数据点的结合，相对于有监督的机器学习法，无监督学习不需要事先有待分类对象的先验知识，只是根据待分类对象的相似度分类。 目前常用的聚类算法也有很多，如：k-means算法、DBSCAN、AutoClass和EM算法等。,几种分类方法比较,可以总结为以下几点： 逐步避免依赖端口号； 无需检测用户数据包的负载内容； 能迅速得到新型应用的识别特征； 在高速骨干网络环境中，对流量进行实时精确地分类； 为避免涉及用户隐私问题，对加密流量的分类； 更细粒度的层次上对网络流量进行分类； 协议动态变化时的流量分类。,流量分类未来发展预测,下一步工作,对机器学习中的几种算法通过实验进行性能比较 找出一种效率及准确率更高的流量分类算法,参考文献,1熊刚，孟姣，曹自刚，王勇，郭莉，方滨兴.网络流量分类研究进展与展望 J.集成技术，2012 2彭芸，刘琼.Internet流分类方法的比较研究J.计算机科学，2007 3 Thuy T.T.Nguyen,Grenville Armitage.A survey of techniques for internet traffic classification using machine learning.In IEEE,2008. 4 Sen S, Spatscheck O, Wang D. Accurate, scalable in network identifi cation of P2P traffi c using application signatures C /In WWW2004. New York(USA), 2004. 5 Moore A, Papagiannaki K. Toward the accurate identification of network applications C /Proceedings of Passive and Active Measurement Workshop ( PAM2005).Boston(USA), 2005. 6Karagiannis T,Papagiannaki K,Faloutsos M.BLINC:Multilevel traffic classification in the dark.In ACM. October 1st 2005.