CN105429950B - 一种基于动态数据包采样的网络流量识别系统和方法 - Google Patents
一种基于动态数据包采样的网络流量识别系统和方法 Download PDFInfo
- Publication number
- CN105429950B CN105429950B CN201510725503.XA CN201510725503A CN105429950B CN 105429950 B CN105429950 B CN 105429950B CN 201510725503 A CN201510725503 A CN 201510725503A CN 105429950 B CN105429950 B CN 105429950B
- Authority
- CN
- China
- Prior art keywords
- network flow
- data packet
- network
- sampling
- analysis module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
Abstract
本发明提供一种基于动态数据包采样的网络流量识别系统和方法,系统包括网络流量识别服务器、数据包分析模块和行为分析模块;网络流量识别服务器、数据包分析模块和行为分析模块依次单向连接。本发明解决了传统的网络流量识别方法面对不断变化的流量环境无法及时调整识别策略的矛盾,使得在网络流量识别的过程中,可以通过感知数据包的变化,来调整当前网络流量识别的策略,是根据首包信息结合协议识别方法来进行识别,还是根据数据包分析结合协议识别方法来进行识别,还是根据网络行为分析结合协议识别方法来进行识别,根据运行环境变化并自动选择适合当前流量特征的网络流量协议识别策略,从而保证在任意流量环境下网络流量识别的准确率与处理效率。
Description
技术领域
本发明属于信息安全技术领域,具体涉及一种基于动态数据包采样的网络流量识别系统和方法。
背景技术
随着信息技术特别是互联网技术的快速发展,网络应用的数量也在快速的增长。网络应用的发展给人们的生活带来了极大的方便,但是网络应用的复杂性和多样性也给网络应用管理、流量控制等带来巨大的挑战。为了有效的应对网络应用快速发展所带来的挑战,实时、准确的网络应用识别研究成为当前网络管理研究领域的重要研究问题之一。
目前存在的协议识别技术主要存在如下几种:(1)深度报文检测技术;(2)多模式匹配方法;(3)正则表达式匹配方法。
深度报文检测(Deep Packet Inspection简称DPI)技术主要相对传统的基于五元组信息浅层报文检测技术而言,基于DPI的协议识别技术将检测深入到应用层负载内容,通过匹配数据包负载内容是否包含协议的特征对流量进行识别,深度包检测技术能够识别http伪装、端口协商和随机端口下载的P2P流量,具有较好的健壮性。
多模式匹配算法是经典的多模匹配算法。该算法的主要思路是对特征串集合进行预处理,通过算法寻找特征串之间的内部关联关系,当匹配失效时通过对后缀包含进行处理,直接对下一个待匹配字符进行匹配而不需要在特征串中进行回溯。该算法的核心包括三张表:goto表、failure表和output表。
正则表达式是正则语言的一种描述模型,在用正则表达式进行匹配的算法当中,普遍采用将正则表达式转换为有穷自动机(FA)的方式。有穷自动机是指一种进行文法识别的逻辑结构,其结构可以采用编程方式实现,与正则表达式作为主要的正则文法描述方式不同,有穷状态机主要用于的正则文法识别和匹配领域,有穷状态自动机又分为确定有穷状态,因此基于正则表达式进行协议识别的方法可以分为基于NFA正则表达式匹配算法和基于DFA正则表达式匹配算法。
在目前现有的协议识别方法中,深度报文检测虽然有较好的准确性和健壮性,但是其识别速度太慢,无法满足流量协议进行实时识别的需求,标准的多模式匹配算法虽然具有较高的匹配速度和效率,但是只能对字符串形式的协议特征进行匹配,无法应用于正则表达式协议识别领域,当前普遍使用正则表达式进行协议特征描述,主要采用基于正则表达式匹配的协议识别方法,而采用NFA方式对正则表达式进行识别时间幵销较高,无法满足需求;使用DFA识别方式会面临状态图爆炸问题,因此需要对算法进行改进;而目前基于状态图进行优化方式很难满足需求,因此需要结合协议识别中协议特征的特性,对正则表达式匹配算法进行更深入的研究。
结合协议特征的识别方法有如下方法:(1)基于端口的协议识别技术;(2)基于应用层负载签名特征的协议识别技术;(3)基于流特征的协议识别技术几个阶段。
基于端口的协议识别技术根据常见的网络应用或者网络流量使用的固定端口号来识别网络应用或者协议,但是这种技术无法应对越来越多的采用动态端口的网络应用。
基于应用层负载签名的协议识别技术通过识别网络应用的应用层负载签名来识别网络应用或者协议,这种方法克服了动态端口技术给协议识别带来的困难,但是对部分数据流加密的网络应用或者协议仍然无法有效识别。
基于流特征的协议识别技术根据网络数据流中的数据包长短、连接比等特点识别网络应用或者协议,但是这种方法准确度没有基于应用层负载签名的协议识别方法高并且开销较大。
发明内容
为解决现有协议识别无法适应实际网络环境中不断变化且不可预测的网络流量的问题,本发明提供一种基于动态数据包采样的网络流量识别系统和方法,可以感知网络流量特征变化并自动选择适应数据包采样,实现网络流量的识别。
为了实现上述发明目的,本发明采取如下技术方案:
本发明提供一种基于动态数据包采样的网络流量识别系统,所述系统包括网络流量识别服务器、数据包分析模块和行为分析模块;所述网络流量识别服务器、数据包分析模块和行为分析模块依次单向连接。
所述网络流量识别服务器获取网络流量,并从获取的网络流量中提取数据包首包的载荷特征,网络流量识别服务器根据提取的载荷特征识别网络流量;如果网络流量识别服务器能够识别网络流量,则不再进行网络流量的获取,否则采用数据包分析模块进行网络流量的识别。
所述网络流量识别服务器根据提取的载荷特征识别网络流量,包括:
所述网络流量识别服务器比较数据包首包载荷特征和网络流量识别服务器中网络流量行为特征之间的相似度,最相似的网络流量类型即为网络流量识别服务器识别出的网络流量类型。
所述数据包分析模块对首包之后的数据包进行均匀采样,根据采样的数据包的载荷特征识别网络流量,如果数据包采样数超过采样阈值还未识别出网络流量,则采用行为分析模块进行网络流量的识别。
所述数据包分析模块根据采样的数据包的载荷特征识别网络流量,包括:
所述数据包分析模块首先比较采样的第一个数据包与分类器中网络流量,确定第一个数据包载荷特征与网络流量行为特征之间的相似度,然后对确定的相似度进行归一化处理;所述数据包分析模块比较采样的第二个数据包与分类器中网络流量,确定第二个数据包载荷特征与网络流量行为特征之间的相似度,对确定的相似度进行归一化处理;经过归一化处理后的第一个数据包载荷特征与网络流量行为特征之间的相似度和第二个数据包载荷特征与网络流量行为特征之间的相似度相乘,之后再次归一化处理,依次进行同样的操作,直到所有数据包采样运行结束;最后,如果当前均匀采样的数据包载荷特征与网络流量行为特征之间的相似度大于90%,则认为当前网络流量的类型为数据包分析模块识别出的网络流量类型。
所述行为分析模块对随后的数据包采用随机递增的间隔抽样策略进行随机抽样,提取该网络流量的行为特征,并且将网络流量的行为特征与数据包的载荷特征相融合,进行网络流量的识别。
所述行为分析模块识别网络流量包括:
将数据包首包载荷特征与网络流量行为特征之间的相似度和行为分析模块采样得到的数据包载荷特征与网络流量行为特征之间的相似度进行累加,累加之后的相似度大于90%,则认为当前网络流量的类型为行为分析模块识别出的网络流量类型。
本发明提供一种基于动态数据包采样的网络流量识别方法,所述方法包括以下步骤:
步骤1:通过网络流量识别服务器获取网络流量,从获取的网络流量中提取数据包首包的载荷特征,如果网络流量识别服务器能够识别网络流量,则不再进行网络流量的获取,否则执行步骤2;
步骤2:通过数据包分析模块对首包之后的数据包进行均匀采样,均匀采样的参数包括采样数据包间隔、总采样数据包数m和采样数据包范围,且在第2个数据包和第k个数据包之间进行均匀采样,k≤m;根据采样的数据包的载荷特征识别网络流量,当其中某个数据包已经识别出网络流量,则终止首包之后数据包的均匀采样,如果数据包采样数超过采样阈值还未识别出网络流量,则执行步骤3;
步骤3:通过行为分析模块对第k个数据包之后的数据包进行随机抽样,采用随机递增的间隔抽样策略完成随机抽样,提取该网络流量的行为特征,并且将网络流量的行为特征与数据包的载荷特征相融合,进行网络流量的识别。
与现有技术相比,本发明的有益效果在于:
本发明利用对数据包的不同采样策略,解决传统的网络流量识别方法面对不断变化的流量环境无法及时调整识别策略的矛盾,使得在网络流量识别的过程中,可以通过感知数据包的变化,来调整当前网络流量识别的策略,是根据首包信息结合协议识别方法来进行识别,还是根据数据包分析结合协议识别方法来进行识别,还是根据网络行为分析结合协议识别方法来进行识别,根据运行环境变化并自动选择适合当前流量特征的网络流量协议识别策略,从而保证在任意流量环境下网络流量识别的准确率与处理效率。
附图说明
图1是本发明实施例中基于动态数据包采样的网络流量识别方法流程图;
图2是本发明实施例中网络流量识别服务器工作流程图;
图3是本发明实施例中数据包分析模块工作流程图;
图4是本发明实施例中行为分析模块工作流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于动态数据包采样的网络流量识别系统,所述系统包括网络流量识别服务器、数据包分析模块和行为分析模块;所述网络流量识别服务器、数据包分析模块和行为分析模块依次单向连接。
所述网络流量识别服务器获取网络流量,并从获取的网络流量中提取数据包首包的载荷特征,网络流量识别服务器根据提取的载荷特征识别网络流量;如果网络流量识别服务器能够识别网络流量,则不再进行网络流量的获取,否则采用数据包分析模块进行网络流量的识别。
所述网络流量识别服务器根据提取的载荷特征识别网络流量,包括:
所述网络流量识别服务器比较数据包首包载荷特征和网络流量识别服务器中网络流量行为特征之间的相似度,最相似的网络流量类型即为网络流量识别服务器识别出的网络流量类型。
所述数据包分析模块对首包之后的数据包进行均匀采样,根据采样的数据包的载荷特征识别网络流量,如果数据包采样数超过采样阈值还未识别出网络流量,则采用行为分析模块进行网络流量的识别。
所述数据包分析模块根据采样的数据包的载荷特征识别网络流量,包括:
所述数据包分析模块首先比较采样的第一个数据包与分类器中网络流量,确定第一个数据包载荷特征与网络流量行为特征之间的相似度,然后对确定的相似度进行归一化处理;所述数据包分析模块比较采样的第二个数据包与分类器中网络流量,确定第二个数据包载荷特征与网络流量行为特征之间的相似度,对确定的相似度进行归一化处理;经过归一化处理后的第一个数据包载荷特征与网络流量行为特征之间的相似度和第二个数据包载荷特征与网络流量行为特征之间的相似度相乘,之后再次归一化处理,依次进行同样的操作,直到所有数据包采样运行结束;最后,如果当前均匀采样的数据包载荷特征与网络流量行为特征之间的相似度大于90%,则认为当前网络流量的类型为数据包分析模块识别出的网络流量类型。
所述行为分析模块对随后的数据包采用随机递增的间隔抽样策略进行随机抽样,提取该网络流量的行为特征,并且将网络流量的行为特征与数据包的载荷特征相融合,进行网络流量的识别。
所述行为分析模块识别网络流量包括:
将数据包首包载荷特征与网络流量行为特征之间的相似度和行为分析模块采样得到的数据包载荷特征与网络流量行为特征之间的相似度进行累加,累加之后的相似度大于90%,则认为当前网络流量的类型为行为分析模块识别出的网络流量类型。
本发明提供一种基于动态数据包采样的网络流量识别方法,所述方法包括以下步骤:
步骤1:通过网络流量识别服务器获取网络流量,从获取的网络流量中提取数据包首包的载荷特征,如果网络流量识别服务器能够识别网络流量,则不再进行网络流量的获取,否则执行步骤2;
步骤2:通过数据包分析模块对首包之后的数据包进行均匀采样,均匀采样的参数包括采样数据包间隔、总采样数据包数m和采样数据包范围,且在第2个数据包和第k个数据包之间进行均匀采样,k≤m;根据采样的数据包的载荷特征识别网络流量,当其中某个数据包已经识别出网络流量,则终止首包之后数据包的均匀采样,如果数据包采样数超过采样阈值还未识别出网络流量,则执行步骤3;
步骤3:通过行为分析模块对第k个数据包之后的数据包进行随机抽样,采用随机递增的间隔抽样策略完成随机抽样,提取该网络流量的行为特征,并且将网络流量的行为特征与数据包的载荷特征相融合,进行网络流量的识别。
步骤1中,所述网络流量识别服务器根据提取的载荷特征识别网络流量,包括:
所述网络流量识别服务器比较数据包首包载荷特征和网络流量识别服务器中网络流量行为特征之间的相似度,最相似的网络流量类型即为网络流量识别服务器识别出的网络流量类型。
步骤2中,所述数据包分析模块根据采样的数据包的载荷特征识别网络流量,包括:
所述数据包分析模块首先比较采样的第一个数据包与分类器中网络流量,确定第一个数据包载荷特征与网络流量行为特征之间的相似度,然后对确定的相似度进行归一化处理;所述数据包分析模块比较采样的第二个数据包与分类器中网络流量,确定第二个数据包载荷特征与网络流量行为特征之间的相似度,对确定的相似度进行归一化处理;经过归一化处理后的第一个数据包载荷特征与网络流量行为特征之间的相似度和第二个数据包载荷特征与网络流量行为特征之间的相似度相乘,之后再次归一化处理,依次进行同样的操作,直到所有数据包采样运行结束;最后,如果当前均匀采样的数据包载荷特征与网络流量行为特征之间的相似度大于90%,则认为当前网络流量的类型为数据包分析模块识别出的网络流量类型。
步骤3中,所述行为分析模块识别网络流量包括:
将数据包首包载荷特征与网络流量行为特征之间的相似度和行为分析模块采样得到的数据包载荷特征与网络流量行为特征之间的相似度进行累加,累加之后的相似度大于90%,则认为当前网络流量的类型为行为分析模块识别出的网络流量类型。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (5)
1.一种基于动态数据包采样的网络流量识别系统,其特征在于:所述系统包括网络流量识别服务器、数据包分析模块和行为分析模块;所述网络流量识别服务器、数据包分析模块和行为分析模块依次单向连接;
所述网络流量识别服务器获取网络流量,并从获取的网络流量中提取数据包首包的载荷特征,网络流量识别服务器根据提取的载荷特征识别网络流量;如果网络流量识别服务器能够识别网络流量,则不再进行网络流量的获取,否则采用数据包分析模块进行网络流量的识别;
所述数据包分析模块对首包之后的数据包进行均匀采样,根据采样的数据包的载荷特征识别网络流量,如果数据包采样数超过采样阈值还未识别出网络流量,则采用行为分析模块进行网络流量的识别;
所述行为分析模块对随后的数据包采用随机递增的间隔抽样策略进行随机抽样,提取该网络流量的行为特征,并且将网络流量的行为特征与数据包的载荷特征相融合,进行网络流量的识别。
2.根据权利要求1所述的基于动态数据包采样的网络流量识别系统,其特征在于:所述网络流量识别服务器根据提取的载荷特征识别网络流量,包括:
所述网络流量识别服务器比较数据包首包载荷特征和网络流量识别服务器中网络流量行为特征之间的相似度,最相似的网络流量类型即为网络流量识别服务器识别出的网络流量类型。
3.根据权利要求1所述的基于动态数据包采样的网络流量识别系统,其特征在于:所述数据包分析模块根据采样的数据包的载荷特征识别网络流量,包括:
所述数据包分析模块首先比较采样的第一个数据包与分类器中网络流量,确定第一个数据包载荷特征与网络流量行为特征之间的相似度,然后对确定的相似度进行归一化处理;所述数据包分析模块比较采样的第二个数据包与分类器中网络流量,确定第二个数据包载荷特征与网络流量行为特征之间的相似度,对确定的相似度进行归一化处理;经过归一化处理后的第一个数据包载荷特征与网络流量行为特征之间的相似度和第二个数据包载荷特征与网络流量行为特征之间的相似度相乘,之后再次归一化处理,依次进行同样的操作,直到所有数据包采样运行结束;最后,如果当前均匀采样的数据包载荷特征与网络流量行为特征之间的相似度大于90%,则认为当前网络流量的类型为数据包分析模块识别出的网络流量类型。
4.根据权利要求1所述的基于动态数据包采样的网络流量识别系统,其特征在于:所述行为分析模块识别网络流量包括:
将数据包首包载荷特征与网络流量行为特征之间的相似度和行为分析模块采样得到的数据包载荷特征与网络流量行为特征之间的相似度进行累加,累加之后的相似度大于90%,则认为当前网络流量的类型为行为分析模块识别出的网络流量类型。
5.一种基于动态数据包采样的网络流量识别方法,其特征在于:所述方法包括以下步骤:
步骤1:通过网络流量识别服务器获取网络流量,从获取的网络流量中提取数据包首包的载荷特征,如果网络流量识别服务器能够识别网络流量,则不再进行网络流量的获取,否则执行步骤2;
步骤2:通过数据包分析模块对首包之后的数据包进行均匀采样,均匀采样的参数包括采样数据包间隔、总采样数据包数m和采样数据包范围,且在第2个数据包和第k个数据包之间进行均匀采样,k<m;根据采样的数据包的载荷特征识别网络流量,当其中某个数据包已经识别出网络流量,则终止首包之后数据包的均匀采样,如果数据包采样数超过采样阈值还未识别出网络流量,则执行步骤3;
步骤3:通过行为分析模块对第k个数据包之后的数据包进行随机抽样,采用随机递增的间隔抽样策略完成随机抽样,提取该网络流量的行为特征,并且将网络流量的行为特征与数据包的载荷特征相融合,进行网络流量的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510725503.XA CN105429950B (zh) | 2015-10-29 | 2015-10-29 | 一种基于动态数据包采样的网络流量识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510725503.XA CN105429950B (zh) | 2015-10-29 | 2015-10-29 | 一种基于动态数据包采样的网络流量识别系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105429950A CN105429950A (zh) | 2016-03-23 |
CN105429950B true CN105429950B (zh) | 2019-04-23 |
Family
ID=55507892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510725503.XA Active CN105429950B (zh) | 2015-10-29 | 2015-10-29 | 一种基于动态数据包采样的网络流量识别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105429950B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108183864B (zh) * | 2018-01-29 | 2020-12-04 | 中国人民解放军国防科技大学 | 基于ids反馈的软件定义网络流采样方法及系统 |
CN109032954B (zh) * | 2018-08-16 | 2022-04-05 | 五八有限公司 | 一种a/b测试的用户选取方法、装置、存储介质及终端 |
CN109391700B (zh) * | 2018-12-12 | 2021-04-09 | 北京华清信安科技有限公司 | 基于深度流量感知的物联网安全云平台 |
CN110380989B (zh) * | 2019-07-26 | 2022-09-02 | 东南大学 | 网络流量指纹特征二阶段多分类的物联网设备识别方法 |
CN110971601A (zh) * | 2019-12-02 | 2020-04-07 | 邑客得(上海)信息技术有限公司 | 一种高效的网络报文传输层多级特征提取方法和系统 |
CN112653588A (zh) * | 2020-07-10 | 2021-04-13 | 深圳市唯特视科技有限公司 | 自适应网络流量采集方法、系统、电子设备及存储介质 |
CN112235160B (zh) * | 2020-10-14 | 2022-02-01 | 福建奇点时空数字科技有限公司 | 一种基于协议数据深层检测的流量识别方法 |
CN113904958B (zh) * | 2021-10-22 | 2022-11-08 | 深圳市润迅通投资有限公司 | 一种基于动态数据包采样的网络流量识别系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2267968A1 (en) * | 2009-06-23 | 2010-12-29 | Uniloc Usa, Inc. | System and method for monitoring attempted network intrusions |
US8503302B2 (en) * | 2007-12-31 | 2013-08-06 | Telecom Italia S.P.A. | Method of detecting anomalies in a communication system using numerical packet features |
CN104580173A (zh) * | 2014-12-25 | 2015-04-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种sdn异常检测与阻截方法及系统 |
CN104869126A (zh) * | 2015-06-19 | 2015-08-26 | 中国人民解放军61599部队计算所 | 一种网络入侵异常检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150256431A1 (en) * | 2014-03-07 | 2015-09-10 | Cisco Technology, Inc. | Selective flow inspection based on endpoint behavior and random sampling |
-
2015
- 2015-10-29 CN CN201510725503.XA patent/CN105429950B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8503302B2 (en) * | 2007-12-31 | 2013-08-06 | Telecom Italia S.P.A. | Method of detecting anomalies in a communication system using numerical packet features |
EP2267968A1 (en) * | 2009-06-23 | 2010-12-29 | Uniloc Usa, Inc. | System and method for monitoring attempted network intrusions |
CN104580173A (zh) * | 2014-12-25 | 2015-04-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种sdn异常检测与阻截方法及系统 |
CN104869126A (zh) * | 2015-06-19 | 2015-08-26 | 中国人民解放军61599部队计算所 | 一种网络入侵异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105429950A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105429950B (zh) | 一种基于动态数据包采样的网络流量识别系统和方法 | |
CN109117634B (zh) | 基于网络流量多视图融合的恶意软件检测方法及系统 | |
CN101414939B (zh) | 一种基于动态深度包检测的互联网应用识别方法 | |
CN104270392A (zh) | 一种基于三分类器协同训练学习的网络协议识别方法及系统 | |
CN107426049A (zh) | 一种网络流量精确检测方法、设备及存储介质 | |
Yang et al. | Research on network traffic identification based on machine learning and deep packet inspection | |
CN100553206C (zh) | 基于报文采样和应用签名的互联网应用流量识别方法 | |
CN110532564A (zh) | 一种基于cnn和lstm混合模型的应用层协议在线识别方法 | |
CN104468252A (zh) | 一种基于正迁移学习的智能网络业务识别方法 | |
CN105024993A (zh) | 一种基于向量运算的协议比对方法 | |
CN109151880A (zh) | 基于多层分类器的移动应用流量识别方法 | |
CN101997700A (zh) | 基于深度包检测和深度流检测技术的IPv6监测设备 | |
CN102984269B (zh) | 一种点对点流量识别方法和装置 | |
CN111611280A (zh) | 一种基于cnn和sae的加密流量识别方法 | |
CN104333483A (zh) | 互联网应用流量识别方法、系统及识别装置 | |
CN110958233A (zh) | 一种基于深度学习的加密型恶意流量检测系统和方法 | |
CN112235230A (zh) | 一种恶意流量识别方法及系统 | |
CN110493235A (zh) | 一种基于网络流量特征的移动终端恶意软件同步检测方法 | |
CN106789728A (zh) | 一种基于NetFPGA的VoIP流量实时识别方法 | |
CN104333461A (zh) | 互联网应用流量识别方法、系统及识别装置 | |
CN102984242B (zh) | 一种应用协议的自动识别方法和装置 | |
CN102437959B (zh) | 基于双超时网络报文的组流方法 | |
Min et al. | Online Internet traffic identification algorithm based on multistage classifier | |
CN105429817A (zh) | 基于dpi和dfi的非法业务识别装置与方法 | |
CN109858510A (zh) | 一种针对HTTP协议ETag值隐蔽通信的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |