CN116708258B - 一种背景流网络拓扑汇聚方法及装置 - Google Patents
一种背景流网络拓扑汇聚方法及装置 Download PDFInfo
- Publication number
- CN116708258B CN116708258B CN202310739341.XA CN202310739341A CN116708258B CN 116708258 B CN116708258 B CN 116708258B CN 202310739341 A CN202310739341 A CN 202310739341A CN 116708258 B CN116708258 B CN 116708258B
- Authority
- CN
- China
- Prior art keywords
- background
- data information
- network
- information
- flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000012795 verification Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 239000002131 composite material Substances 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 230000018109 developmental process Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/028—Capturing of monitoring data by filtering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种背景流网络拓扑汇聚方法及装置,该方法包括:获取真实网络环境数据信息;对所述真实网络环境数据信息进行处理,得到合成背景流量数据信息;获取真实网络背景流量数据信息,利用预设的背景流量验证模型,对所述合成背景流量数据信息和所述真实网络背景流量数据信息进行处理,得到相似度值;根据所述相似度值,对所述合成背景流量数据信息进行效果评价。本发明可以从真实网络流量中提取特征,作为生成背景流量的参考模板。通过对模板与参数的灵活配置,生成的背景流量可以随着网络场景的变化进行动态调整。这种方法可以更好地模拟真实的网络环境,使得生成的背景流量更具可信度和真实性。
Description
技术领域
本发明涉及背景流网络拓扑汇聚技术领域,尤其涉及一种背景流网络拓扑汇聚方法及装置。
背景技术
随着互联网、移动互联网、工控网、物联网等网络技术的快速发展,网络空间正逐渐演变成一个融合了信息技术和物理实体的虚实融合的复杂网络。其中,设备种类、链路类型、路由选择、拓扑结构、应用需求以及用户特征等众多要素都具有高度的不确定性,这使得网络空间安全研究在理论验证、技术实施、应用实施等方面都面临着巨大的挑战。因此,科研工程人员必须通过创新的思维和方式,重新审视现有的复杂网络,对其中涉及的各种流程和环境进行创新,从而建立一个可控、可管、可信、可按需求定制调整的网络空间环境,以支持对网络空间活动规律和安全能力的系统性研究。
为了将实验或模拟研究中的协议和应用程序更好地应用于实际环境中,需要在实验环境中添加实际网络中存在的所谓无关流量。这些无关流量被分为两类:前景流量是指研究对象应用程序或协议产生的流量,而背景流是指实际网络中与研究对象无关的流量。模拟的背景流特征是否真实地反映了实际环境,将直接影响实验环境与实际网络环境的拟合效果,同时也会很大程度上影响协议或应用程序在实际应用中的效果。因此,背景流的研究对于促进网络行为研究的发展具有重要意义。
目前针对背景流的仿真模拟领域有很多模型,这些模型可以在一定程度上刻画背景流,但是还存在以下缺点:
(1)现有的模型通常是静态的,无法随着网络场景的变化进行动态调整。这使得这些模型难以适应复杂和不确定的网络环境,并且可能无法提供准确的仿真结果。
(2)许多模型是针对特定应用或协议设计的,这意味着如果需要对多个应用或协议进行仿真,就需要使用不同的模型,因此大规模流量的获取过程变得十分复杂和不便。
(3)模拟生成的流量在有效性评估上往往没有统一的方法,目前主流的方法是通过对比真实流量与生成流量的统计特征验证生成模型的有效性,或者是使用实际场景进行流量测试,观察流量是否能产生预期效果。
发明内容
本发明所要解决的技术问题在于,提供一种背景流网络拓扑汇聚方法及装置,提出一种流量构建方法,该方法可以提取真实网络流量中的特征,作为生成背景流的参考模板。本发明中通过对网络拓扑的扩增,可以对背景流的规模进行扩大。提出一种评估生成后的背景流真实性的方法,基于生成对抗网络,评估真实流量与生成流量在整体行为特征层面的相似度,进而验证生成背景流的有效性。
为了解决上述技术问题,本发明实施例第一方面公开了一种背景流网络拓扑汇聚方法,所述方法包括:
S1,获取真实网络环境数据信息;
S2,对所述真实网络环境数据信息进行处理,得到合成背景流数据信息;
S3,获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值;
S4,根据所述相似度值,对所述合成背景流数据信息进行效果评价,得到评价结果。
作为一种可选的实施方式,本发明实施例第一方面中,所述对所述真实网络环境数据信息进行处理,得到合成背景流数据信息,包括:
S21,利用预设的过滤器对所述真实网络环境数据信息进行处理,得到特定场景的背景流数据信息;
S22,构建背景流模板;
所述背景流模板定义网络的协议规范、网络结构信息、时序信息、参数信息和拓扑信息;
S23,根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息;
S24,利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息;
S25,将所述扩增背景流数据信息加入所述模拟真实网络背景流数据信息中,得到合成背景流数据信息。
作为一种可选的实施方式,本发明实施例第一方面中,所述背景流模板包括数据包、网络流和配置文件;
所述数据包定义了背景流数据包的头部信息和负载信息;
所述网络流由Q个相似的背景流数据包构成,定义了背景流数据包的发送规则,Q为整数;
不同的网络流和配置文件组合,模拟各种复杂的网络场景和流量模式,对网络设备和应用进行测试和评估。
作为一种可选的实施方式,本发明实施例第一方面中,所述根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息,包括:
S231,根据所述协议规范、网络结构信息和时序信息,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息中的协议字段信息进行处理,得到格式化字节流;
S232,将各个协议层的格式化字节流根据所述背景流模板中的时序信息进行顺序拼接,得到数据包的二进制数据流;
所述数据包的二进制数据流为模拟真实网络背景流数据信息。
作为一种可选的实施方式,本发明实施例第一方面中,所述利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息,包括:
S241,获取所述模拟真实网络背景流数据信息对应的背景流模板;
S242,根据所述背景流模板中的参数信息,对数据场景进行填充,得到扩增数据场景;
S243,根据所述背景流模板中的拓扑信息,增加网络中的节点数量,得到扩增的网络,并提取所述扩增的网络的背景流信息,得到第一背景流信息;
S244,将所述背景流模板中的时间戳转换为一个字符串类型的键值;
S245,根据所述键值和所述扩增数据场景,对所述第一背景流信息进行处理,得到扩增背景流数据信息。
作为一种可选的实施方式,本发明实施例第一方面中,所述获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值,包括:
S31,利用所述真实网络背景流数据信息,对预设的背景流验证模型进行训练,得到训练背景流验证模型;
S32,利用训练背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值。
作为一种可选的实施方式,本发明实施例第一方面中,所述方法还包括:
将所述数据包的二进制数据流发送到数据平面开发套件;
利用所述数据平面开发套件,对所述数据包的二进制数据流进行封装,得到符合格式要求的数据包;
将所述符合格式要求的数据包发送到网卡的发送队列中;
所述网卡根据目的地址对所述数据包进行发送。
本发明实施例第二方面公开了一种背景流网络拓扑汇聚装置,所述装置包括:
数据获取模块,用于获取真实网络环境数据信息;
合成模块,用于对所述真实网络环境数据信息进行处理,得到合成背景流数据信息,包括:
S21,利用预设的过滤器对所述真实网络环境数据信息进行处理,得到特定场景的背景流数据信息;
S22,构建背景流模板;
所述背景流模板定义网络的协议规范、网络结构信息、时序信息、参数信息和拓扑信息;
S23,根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息;
S24,利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息;
S25,将所述扩增背景流数据信息加入所述模拟真实网络背景流数据信息中,得到合成背景流数据信息;
验证模块,用于获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值;
评价模块,用于根据所述相似度值,对所述合成背景流数据信息进行效果评价,得到评价结果。
作为一种可选的实施方式,本发明实施例第二方面中,所述对所述真实网络环境数据信息进行处理,得到合成背景流数据信息,包括:
S21,利用预设的过滤器对所述真实网络环境数据信息进行处理,得到特定场景的背景流数据信息;
S22,构建背景流模板;
所述背景流模板定义网络的协议规范、网络结构信息、时序信息、参数信息和拓扑信息;
S23,根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息;
S24,利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息;
S25,将所述扩增背景流数据信息加入所述模拟真实网络背景流数据信息中,得到合成背景流数据信息。
作为一种可选的实施方式,本发明实施例第二方面中,所述背景流模板包括数据包、网络流和配置文件;
所述数据包定义了背景流数据包的头部信息和负载信息;
所述网络流由Q个相似的背景流数据包构成,定义了背景流数据包的发送规则,Q为整数;
不同的网络流和配置文件组合,模拟各种复杂的网络场景和流量模式,对网络设备和应用进行测试和评估。
作为一种可选的实施方式,本发明实施例第二方面中,所述根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息,包括:
S231,根据所述协议规范、网络结构信息和时序信息,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息中的协议字段信息进行处理,得到格式化字节流;
S232,将各个协议层的格式化字节流根据所述背景流模板中的时序信息进行顺序拼接,得到数据包的二进制数据流;
所述数据包的二进制数据流为模拟真实网络背景流数据信息。
作为一种可选的实施方式,本发明实施例第二方面中,所述利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息,包括:
S241,获取所述模拟真实网络背景流数据信息对应的背景流模板;
S242,根据所述背景流模板中的参数信息,对数据场景进行填充,得到扩增数据场景;
S243,根据所述背景流模板中的拓扑信息,增加网络中的节点数量,得到扩增的网络,并提取所述扩增的网络的背景流信息,得到第一背景流信息;
S244,将所述背景流模板中的时间戳转换为一个字符串类型的键值;
S245,根据所述键值和所述扩增数据场景,对所述第一背景流信息进行处理,得到扩增背景流数据信息。
作为一种可选的实施方式,本发明实施例第二方面中,所述获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值,包括:
S31,利用所述真实网络背景流数据信息,对预设的背景流验证模型进行训练,得到训练背景流验证模型;
S32,利用训练背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值。
作为一种可选的实施方式,本发明实施例第二方面中,所述方法还包括:
将所述数据包的二进制数据流发送到数据平面开发套件;
利用所述数据平面开发套件,对所述数据包的二进制数据流进行封装,得到符合格式要求的数据包;
将所述符合格式要求的数据包发送到网卡的发送队列中;
所述网卡根据目的地址对所述数据包进行发送。
本发明第三方面公开了另一种背景流网络拓扑汇聚装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明实施例第一方面公开的背景流网络拓扑汇聚方法中的部分或全部步骤。
本发明第四方面公开了一种计算机可存储介质,所述计算机可存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明实施例第一方面公开的背景流网络拓扑汇聚方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
(1)本发明可以从真实网络流量中提取特征,作为生成背景流的参考模板。通过对模板与参数的灵活配置,生成的背景流可以随着网络场景的变化进行动态调整。这种方法可以更好地模拟真实的网络环境,使得生成的背景流更具可信度和真实性。
(2)通过编辑模板并累积模板库,可以应对不同场景的背景流仿真需求。使用模板进行背景流汇聚构建,可以极大地简化网络流的构建流程,为合成较大规模背景流提供了可能。这样的方法不仅可以节省时间和精力,而且可以提高生成背景流的效率和准确性。
(3)对模拟生成的流量进行有效性评估,可作为合成背景流验证的依据之一。这种方法可以更加客观地评估合成背景流的质量和真实性,为背景流合成提供更加科学的评价标准。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种背景流网络拓扑汇聚方法的流程示意图;
图2是本发明实施例公开的另一种背景流网络拓扑汇聚方法的总体框架图;
图3是本发明实施例公开的过滤特定应用流量数据的示意图;
图4是本发明实施例公开的背景流模板的结构示意图;
图5是本发明实施例公开的基础流的构建示意图;
图6是本发明实施例公开的TCP背景流模拟流程图;
图7是本发明实施例公开的调整背景流时间戳示意图;
图8是本发明实施例公开的合成背景流验证示意图;
图9是本发明实施例公开的一种背景流网络拓扑汇聚装置的结构示意图;
图10是本发明实施例公开的另一种背景流网络拓扑汇聚装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种背景流网络拓扑汇聚方法及装置,该方法包括:获取真实网络环境数据信息;对所真实网络环境数据信息进行处理,得到合成背景流数据信息;获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值;根据所述相似度值,对所述合成背景流数据信息进行效果评价。本发明可以从真实网络流量中提取特征,作为生成背景流的参考模板。通过对模板与参数的灵活配置,生成的背景流可以随着网络场景的变化进行动态调整。这种方法可以更好地模拟真实的网络环境,使得生成的背景流更具可信度和真实性。
实施例一
请参阅图1,图1是本发明实施例公开的一种背景流网络拓扑汇聚方法的流程示意图。其中,图1所描述的背景流网络拓扑汇聚方法应用于实际网络环境的拟合和网络行为研究中,本发明实施例不做限定。如图1所示,该背景流网络拓扑汇聚方法可以包括以下操作:
S1,获取真实网络环境数据信息;
S2,对所述真实网络环境数据信息进行处理,得到合成背景流数据信息;
S3,获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值;
S4,根据所述相似度值,对所述合成背景流数据信息进行效果评价,得到评价结果。
可选的,所述对所述真实网络环境数据信息进行处理,得到合成背景流数据信息,包括:
S21,利用预设的过滤器对所述真实网络环境数据信息进行处理,得到特定场景的背景流数据信息;
S22,构建背景流模板;
所述背景流模板定义网络的协议规范、网络结构信息、时序信息、参数信息和拓扑信息;
S23,根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息;
S24,利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息;
S25,将所述扩增背景流数据信息加入所述模拟真实网络背景流数据信息中,得到合成背景流数据信息。
所述过滤器具体是基于Berkeley Packet Filter(BPF)机制实现的一种针对网络数据包的过滤机制,能够在内核空间处理数据包。将ip地址、协议、端口、时间戳等信息过滤出来。
可选的,所述背景流模板包括数据包、网络流和配置文件;
所述数据包定义了背景流数据包的头部信息和负载信息;
所述网络流由Q个相似的背景流数据包构成,定义了背景流数据包的发送规则,Q为整数;
不同的网络流和配置文件组合,模拟各种复杂的网络场景和流量模式,对网络设备和应用进行测试和评估。
可选的,所述根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息,包括:
S231,根据所述协议规范、网络结构信息和时序信息,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息中的协议字段信息进行处理,得到格式化字节流;
S232,将各个协议层的格式化字节流根据所述背景流模板中的时序信息进行顺序拼接,得到数据包的二进制数据流;
所述数据包的二进制数据流为模拟真实网络背景流数据信息。
可选的,所述利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息,包括:
S241,获取所述模拟真实网络背景流数据信息对应的背景流模板;
S242,根据所述背景流模板中的参数信息,对数据场景进行填充,得到扩增数据场景;
S243,根据所述背景流模板中的拓扑信息,增加网络中的节点数量,得到扩增的网络,并提取所述扩增的网络的背景流信息,得到第一背景流信息;
S244,将所述背景流模板中的时间戳转换为一个字符串类型的键值;
S245,根据所述键值和所述扩增数据场景,对所述第一背景流信息进行处理,得到扩增背景流数据信息。
所述填充具体是将数据包中的payload部分替换为我们自定义的数据,这些自定义数据由我们的模型产生,模型是经过真实网络数据训练得到的。
所述时间戳被转换为一个字符串类型的键值key,采用了固定长度和小数位数的格式化方式。时间戳会被转换为一个14个字符的字符串,其中小数部分保留6位。例如,如果某个时间戳为1623718456.123456,则经过格式化后得到的key值为'1623718456.123456'。
可选的,所述获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值,包括:
S31,利用所述真实网络背景流数据信息,对预设的背景流验证模型进行训练,得到训练背景流验证模型;
S32,利用训练背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值。
可选的,所述方法还包括:
将所述数据包的二进制数据流发送到数据平面开发套件;
利用所述数据平面开发套件,对所述数据包的二进制数据流进行封装,得到符合格式要求的数据包;所述格式为发送时,数据包需要满足大端字节序。
将所述符合格式要求的数据包发送到网卡的发送队列中;
所述网卡根据目的地址对所述数据包进行发送。
实施例二
请参阅图2,图2是本发明实施例公开的一种背景流网络拓扑汇聚方法的流程示意图。其中,图2所描述的背景流网络拓扑汇聚方法应用于实际网络环境的拟合和网络行为研究中,本发明实施例不做限定。如图2所示,该背景流网络拓扑汇聚方法可以包括以下操作:
(一)真实网络背景流模板提取
1、过滤流量
在真实的网络环境中,一段时间内捕获的数据通常由多个Packet与Stream组成。使用过滤器将特定网络行为的数据剔除,剩下的数据包即为当前记录的真实网络场景的背景流数据。
研究对象应用或协议的产生的流量称为前景流量,而网络实际存在的与研究对象无关的流量称为背景流,通过设置自定义的过滤规则可以让过滤器滤除前景流量,只保留背景流,以便更好地进行网络背景流分析。提供了灵活的过滤规则配置选项,用户可以根据实际需要自定义过滤规则,实现对背景流的过滤。如图3所示,为过滤特定应用流量数据的示意图。
2、构建模板
模板由三个部分组成,分别是数据包(packet)、网络流(stream)和配置文件(profile)。数据包是网络通信中的最基本单位,通过数据包可以定义数据包的头部和负载等信息。网络流是由一组相似的数据包序列组成,可以使用网络流来定义数据包的发送规则,如发送速率、发送时间、延迟和丢包率等。
而Profile则是由多个Stream组合而成的,多个不同的Stream组合可以定义具体的网络场景和背景流。通过设置不同的Stream和Profile组合,可以模拟各种复杂的网络场景和流量模式,从而对网络设备和应用进行测试和评估。背景流模板的结构如图4所示。
3、背景流汇聚与构建
在本方法中,网络的具体协议、结构与时序是可以通过模板定义的,基于数据平面开发套件(Data Plane Development Kit,DPDK)封装的数据包处理模块可以实现模板中定义的流量数据行为,完成数据包的快速匹配与转发。基础流的构建如图5所示,以下是基础流的构建算法:
上述公式计算了构建基础网络流时需要的参数。其中PPS是Packet Per Second的缩写,指的是每秒钟处理的数据包数。它通常用于衡量网络设备和服务器的性能,特别是在处理大量小型数据包时,如VoIP、视频流以及一些DDoS攻击等;CPS是Connection PerSecond的缩写,指的是每秒钟建立的连接数。它通常用于衡量服务器或网络设备的性能,特别是在处理大量小型请求时,如API调用、DNS查询和HTTP请求等。CPS越高,表示设备可以处理的连接数越多,性能也就越好。与CPS不同,PPS更侧重于数据包级别的性能,而不是连接级别的性能。PPS越高,表示设备可以处理的数据包数越多,性能也就越好;concurrentflow指的是在同一时间内传输的多个数据流(flows)。这些流可能是从不同的来源发出,也可能是由同一源发送到不同的目的地。当多个流同时进行时,它们可能会竞争网络资源,如带宽、缓存和处理能力等。flow_pktsk为系统中每秒钟处理的数据包数,flow_durationk为当前的flow(网络流)数量。
在公式中,每秒钟处理的数据包数根据每秒钟建立的连接数来计算,两者共同作为生成当前多个数据流的依据。
使用数据平面开发套件提供的高性能网络I/O库来进行数据包的发送和接收,同时结合自定义的负载生成器、协议栈和定时器等组件来生成和处理网络流量。DPDK模块通过在内核空间与用户空间之间建立通道,实现了对NIC的直接控制。
在构建数据包时,模板指定了包头、包体的协议类型和数据内容,还可以定义一些控制信息,如计时、长度、循环等。这些配置信息最终会被转化为二进制数据流。所有的协议层字段信息按照其协议规范进行序列化,即将各个字段值按照其规定的格式转化为字节流,并存放在一个字节数组中。对于某些字段,其长度是可变的,需要在编码过程中进行计算。例如,IP头部中的选项字段长度就是可变的,需要在序列化时根据具体的选项内容计算出长度。对于一些特殊的协议层,例如TCP、UDP等,需要计算校验和,并将校验和值填充到相应的字段中。校验和的计算方式通常也是按照协议规范进行的。最终,将各个协议层的字节数组按照顺序拼接起来,就得到了整个数据包的二进制数据流。此时,这个二进制数据流就可以通过网络发送到目的地了。
当我们需要发送构建好的背景流时,数据包会先被发送到DPDK模块,DPDK模块将数据包封装成符合网卡(NIC)要求的格式,并通过DMA(Direct Memory Access)技术将数据包直接传输到NIC的发送队列中。在这个过程中,DPDK会与NIC进行高速数据传输,而CPU可以在传输过程中处理其他任务,从而提高系统的吞吐量和性能表现。一旦数据包被传输NIC的发送队列中,NIC会根据数据包的目的地地址和其他相关信息将数据包发送到网络上。在发送过程中,NIC可以使用硬件加速技术,如TSO(TCP Segmentation Offload)和LSO(LargeSegment Offload),将大的数据包拆分成小的数据片段,并在发送时进行重组。这些技术可以有效地减少CPU的负载,提高数据传输效率和系统性能。
(二)背景流拓扑扩增
本发明中通过对网络拓扑的扩增,可以对背景流的规模进行扩充,从而提高仿真实验的真实性和可信度。一般来说,可以通过增加网络设备、添加虚拟机等手段扩增拓扑,可以增加网络中存在的主机数和链路数,从而产生更多的背景流。本发明通过增加特定内容的Packet,模拟仿真网络中用户节点产生的通信流量,通过扩增此类信息到达在规模上扩大仿真网络的需求。有研究显示,背景流的组成中TCP活动占有较大的比重。以TCPstream的模拟为例介绍方法中对于网络拓扑扩增的操作。
在模拟构建TCP背景流的过程中,首先需要使用对应的背景流模板,该模板中包含了TCP会话的各个参数,例如会话的目的地址、源地址、端口号等。基于这些参数,可以定义一个标准的TCP会话场景。接着,根据模板中的参数对Packet的内容进行计算,并使用仿真payload对其进行填充,使其与真实TCP流量更加贴合。然后,根据模板中设定的拓扑信息,不断增加网络中的通信节点数量,进而模拟一个具有复杂拓扑节点的背景流。在构建TCP背景流的过程中,需要注意的是要保证模板参数的准确性,这样才能保证生成的TCP背景流贴合真实网络流量的特征。TCP背景流模拟流程图如图6所示。为此,可以对Stream中的时间戳进行单独调整。调整背景流的时间戳如图7所示。此外,由于TCP流量通常具有高吞吐量的特点,因此在模拟真实场景时,还需要充分考虑数据包的发送速率和延迟等因素。网络数据包生成后,需要对其整体时间戳信息进行调整,并读取每个网络流中的元组列表以获取具体的数据包信息。对于每个数据包中的时间戳,需要进行统一的换算和调整,以保证数据包整体的一致性。这样,在真实网络环境下,模拟出的数据流量才能更为准确地反映出实际情况。
(三)背景流验证
当前主流的验证方法包括基于机器学习和深度学习技术的虚假数据流量生成、网络仿真和测试等方法。
当前主流的验证方法包括基于机器学习和深度学习技术的虚假数据流量生成、网络仿真和测试等方法。
本发明中采用生成对抗网络来验证合成的背景流。通过数据处理和特征工程,可以将真实网络中分离得到的背景流转换为数据集,用于训练生成对抗网络。在这个过程中,需要对背景流进行预处理和特征提取,以便生成器和判别器能够更好地学习到数据的分布和特征。预处理和特征提取是生成对抗网络能够准确验证合成背景流的关键步骤。预处理过程包括数据清洗、去噪、归一化等操作,以确保背景流数据集的质量和可靠性。接着,需要对预处理后的数据进行特征提取,选择合适的特征来描述数据的本质属性和分布规律。这些特征可以包括统计学特征、频域特征、时域特征等。通过将选定的特征送入到生成器和判别器中,生成对抗网络就能更好地学习到数据集的分布和特征,从而生成更加真实的合成流量并准确验证其有效性。
合成背景流验证如图8所示。在训练生成对抗网络时,生成器和判别器相互博弈并不断进行调整和优化,以提高生成器输出结果的逼真度和判别器对输入数据真实性的准确度。当生成器输出的结果已经足够逼真,使得判别器无法准确判断输入数据的真实性时,可以认为生成器已经成功地学习到了真实网络背景流的数据分布,从而能够生成与之相似的合成背景流。
此时,我们需要利用训练好的判别器来校验生成的合成背景流的有效性。具体地,将生成的背景流数据输入到判别器中进行分类,如果分类结果接近于真实网络背景流的分类结果,则说明生成的合成背景流和真实网络背景流在特征和数据分布上较为相似。反之,如果分类结果差异较大,则说明生成的合成背景流和真实网络背景流之间存在较大的差异,需要进一步优化生成对抗网络的训练效果。通过比较生成的背景流和真实网络背景流的相似程度,可以确定生成对抗网络的训练效果,并为之后的改进提供有价值的参考。
相似程度和效果之间的关系是存在一定的相关性的,但并非完全等同。通常情况下,相似程度越高,生成的合成背景流与真实网络背景流的特征和数据分布越接近,生成对抗网络的训练效果也越好,合成背景流的质量也越高。因此,相似程度高于0.9可以认为是优秀的结果,表示合成的背景流已经和真实网络背景流非常相似,能够有效地模拟出真实网络环境中的背景流。然而,在某些情况下,相似程度较高不一定就代表生成的合成背景流的效果就一定好。比如,在某些应用场景下,需要生成的合成背景流具有一定的差异性以增强系统的安全性,此时相似程度会相应降低,但合成背景流仍能够达到预期的效果。因此,在评估生成对抗网络的训练效果时,除了考虑相似程度之外,还需要综合考虑实际应用场景和需求,进行全面、客观的评估。本方法所训练的基线模型在综合测试使用场景下的数据后,将判别结果为0.5以下的数据归类为不合理的数据。
实施例三
请参阅图9,图9是本发明实施例公开的一种背景流网络拓扑汇聚装置的结构示意图。其中,图9所描述的背景流网络拓扑汇聚装置应用于实际网络环境的拟合和网络行为研究中,本发明实施例不做限定。如图9所示,该背景流网络拓扑汇聚装置可以包括以下操作:
S301,数据获取模块,用于获取真实网络环境数据信息;
S302,合成模块,用于对所述真实网络环境数据信息进行处理,得到合成背景流数据信息,包括:
S21,利用预设的过滤器对所述真实网络环境数据信息进行处理,得到特定场景的背景流数据信息;
S22,构建背景流模板;
所述背景流模板定义网络的协议规范、网络结构信息、时序信息、参数信息和拓扑信息;
S23,根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息;
S24,利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息;
S25,将所述扩增背景流数据信息加入所述模拟真实网络背景流数据信息中,得到合成背景流数据信息;
S303,验证模块,用于获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值;
S304,评价模块,用于根据所述相似度值,对所述合成背景流数据信息进行效果评价,得到评价结果。
S301,数据获取模块,用于获取真实网络环境数据信息;
S302,合成模块,用于对所述真实网络环境数据信息进行处理,得到合成背景流数据信息;
S303,验证模块,用于获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值;
S304,评价模块,用于根据所述相似度值,对所述合成背景流数据信息进行效果评价,得到评价结果。
实施例四
请参阅图10,图10是本发明实施例公开的另一种背景流网络拓扑汇聚装置的结构示意图。其中,图10所描述的背景流网络拓扑汇聚装置应用于实际网络环境的拟合和网络行为研究中,本发明实施例不做限定。如图10所示,该背景流网络拓扑汇聚装置可以包括以下操作:
存储有可执行程序代码的存储器401;
与存储器401耦合的处理器402;
处理器402调用存储器401中存储的可执行程序代码,用于执行实施例一或实施例二所描述的背景流网络拓扑汇聚方法中的步骤。
实施例五
本发明实施例公开了一种计算机可读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一或实施例二所描述的背景流网络拓扑汇聚方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种背景流网络拓扑汇聚方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (9)
1.一种背景流网络拓扑汇聚方法,其特征在于,所述方法包括:
S1,获取真实网络环境数据信息;
S2,对所述真实网络环境数据信息进行处理,得到合成背景流数据信息,包括:
S21,利用预设的过滤器对所述真实网络环境数据信息进行处理,得到特定场景的背景流数据信息;
S22,构建背景流模板;
所述背景流模板定义网络的协议规范、网络结构信息、时序信息、参数信息和拓扑信息;
S23,根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息;
S24,利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息;
S25,将所述扩增背景流数据信息加入所述模拟真实网络背景流数据信息中,得到合成背景流数据信息;
S3,获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值;
S4,根据所述相似度值,对所述合成背景流数据信息进行效果评价,得到评价结果。
2.根据权利要求1所述的背景流网络拓扑汇聚方法,其特征在于,所述背景流模板包括数据包、网络流和配置文件;
所述数据包定义了背景流数据包的头部信息和负载信息;
背景流不同的网络流和配置文件组合,模拟各种复杂的网络场景和流量模式,对网络设备和应用进行测试和评估。
3.根据权利要求1所述的背景流网络拓扑汇聚方法,其特征在于,所述根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息,包括:
S231,根据所述协议规范、网络结构信息和时序信息,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息中的协议字段信息进行处理,得到格式化字节流;
S232,将各个协议层的格式化字节流根据所述背景流模板中的时序信息进行顺序拼接,得到数据包的二进制数据流;
所述数据包的二进制数据流为模拟真实网络背景流数据信息。
4.根据权利要求1所述的背景流网络拓扑汇聚方法,其特征在于,所述利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息,包括:
S241,获取所述模拟真实网络背景流数据信息对应的背景流模板;
S242,根据所述背景流模板中的参数信息,对数据场景进行填充,得到扩增数据场景;
S243,根据所述背景流模板中的拓扑信息,增加网络中的节点数量,得到扩增的网络,并提取所述扩增的网络的背景流信息,得到第一背景流信息;
S244,将所述背景流模板中的时间戳转换为一个字符串类型的键值;数据流序号转换为时间戳;
S245,根据所述键值和所述扩增数据场景,对所述第一背景流信息进行处理,得到扩增背景流数据信息。
5.根据权利要求1所述的背景流网络拓扑汇聚方法,其特征在于,所述获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值,包括:
S31,利用所述真实网络背景流数据信息,对预设的背景流验证模型进行训练,得到训练背景流验证模型;
S32,利用训练背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值。
6.根据权利要求2所述的背景流网络拓扑汇聚方法,其特征在于,还包括:
将所述数据包的二进制数据流发送到数据平面开发套件;
利用所述数据平面开发套件,对所述数据包的二进制数据流进行封装,得到符合格式要求的数据包;
将所述符合格式要求的数据包发送到网卡的发送队列中;
所述网卡根据目的地址对所述数据包进行发送。
7.一种背景流网络拓扑汇聚装置,其特征在于,所述装置包括:
数据获取模块,用于获取真实网络环境数据信息;
合成模块,用于对所述真实网络环境数据信息进行处理,得到合成背景流数据信息,包括:
S21,利用预设的过滤器对所述真实网络环境数据信息进行处理,得到特定场景的背景流数据信息;
S22,构建背景流模板;
所述背景流模板定义网络的协议规范、网络结构信息、时序信息、参数信息和拓扑信息;
S23,根据所述背景流模板,利用预设的背景流汇聚与构建模型,对所述特定场景的背景流数据信息进行处理,得到模拟真实网络背景流数据信息;
S24,利用预设的背景流拓扑扩增模型,对所述模拟真实网络背景流数据信息进行扩增,得到扩增背景流数据信息;
S25,将所述扩增背景流数据信息加入所述模拟真实网络背景流数据信息中,得到合成背景流数据信息;
验证模块,用于获取真实网络背景流数据信息,利用预设的背景流验证模型,对所述合成背景流数据信息和所述真实网络背景流数据信息进行处理,得到相似度值;
评价模块,用于根据所述相似度值,对所述合成背景流数据信息进行效果评价,得到评价结果。
8.一种背景流网络拓扑汇聚装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的背景流网络拓扑汇聚方法。
9.一种计算机可存储介质,其特征在于,所述计算机可存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-6任一项所述的背景流网络拓扑汇聚方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310739341.XA CN116708258B (zh) | 2023-06-20 | 2023-06-20 | 一种背景流网络拓扑汇聚方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310739341.XA CN116708258B (zh) | 2023-06-20 | 2023-06-20 | 一种背景流网络拓扑汇聚方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116708258A CN116708258A (zh) | 2023-09-05 |
CN116708258B true CN116708258B (zh) | 2024-04-19 |
Family
ID=87837209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310739341.XA Active CN116708258B (zh) | 2023-06-20 | 2023-06-20 | 一种背景流网络拓扑汇聚方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116708258B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6820042B1 (en) * | 1999-07-23 | 2004-11-16 | Opnet Technologies | Mixed mode network simulator |
CN112468410A (zh) * | 2020-11-05 | 2021-03-09 | 武汉绿色网络信息服务有限责任公司 | 一种增强网络流量特征准确率的方法和装置 |
CN115277086A (zh) * | 2022-06-16 | 2022-11-01 | 西安电子科技大学 | 基于生成对抗网络的网络背景流量生成方法 |
-
2023
- 2023-06-20 CN CN202310739341.XA patent/CN116708258B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6820042B1 (en) * | 1999-07-23 | 2004-11-16 | Opnet Technologies | Mixed mode network simulator |
CN112468410A (zh) * | 2020-11-05 | 2021-03-09 | 武汉绿色网络信息服务有限责任公司 | 一种增强网络流量特征准确率的方法和装置 |
CN115277086A (zh) * | 2022-06-16 | 2022-11-01 | 西安电子科技大学 | 基于生成对抗网络的网络背景流量生成方法 |
Non-Patent Citations (2)
Title |
---|
DDoS攻击防御实验床的设计与实现;张黎辉;段海新;戴世冬;;计算机工程(第13期);第118-120页 * |
基于虚拟化的轻量级背景流量节点生成及部署算法研究;解维崇;李正民;董开坤;沈英宏;;高技术通讯(第12期);第969-975页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116708258A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Pantheon: the training ground for Internet congestion-control research | |
US8396962B2 (en) | Game grammar-based packet capture and analysis apparatus and method for conducting game test | |
Bujlow et al. | Independent comparison of popular DPI tools for traffic classification | |
US20120182891A1 (en) | Packet analysis system and method using hadoop based parallel computation | |
Garcia et al. | WebRTC testing: challenges and practical solutions | |
WO2021164261A1 (zh) | 云网络设备的测试方法、存储介质和计算机设备 | |
CN106559289A (zh) | Sslvpn网关的并发测试方法及装置 | |
US20190260631A1 (en) | Deployable linear bitwise protocol transfromation | |
US10176068B2 (en) | Methods, systems, and computer readable media for token based message capture | |
Kholgh et al. | PAC-GPT: A novel approach to generating synthetic network traffic with GPT-3 | |
Agrawal et al. | Trace based application layer modeling in ns-3 | |
US20120110166A1 (en) | Method and apparatus for generating traffic | |
Erazo et al. | Leveraging symbiotic relationship between simulation and emulation for scalable network experimentation | |
CN116708258B (zh) | 一种背景流网络拓扑汇聚方法及装置 | |
Alsulami et al. | A real application enabled traffic generator for networking ai model development | |
Kokkonen et al. | Analysis of approaches to internet traffic generation for cyber security research and exercise | |
CN111935767A (zh) | 一种网络仿真系统 | |
Akem et al. | Encrypted Traffic Classification at Line Rate in Programmable Switches with Machine Learning | |
Khan et al. | Novel model to inculcate proactive behaviour in programmable switches for floodlight controlled software defined network | |
Erazo et al. | Symbiotic network simulation and emulation | |
Gunadi et al. | Bro covert channel detection (BroCCaDe) framework: scope and background | |
Morín et al. | An eXtended Reality Offloading IP Traffic Dataset and Models | |
Elo | Exploring web protocols for use on cellular networks: QUIC on poor network links | |
Costa | PIPO-TG: parameterizable high performance traffic generation | |
Liu et al. | Toward scalable emulation of future internet applications with simulation symbiosis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |