1、隨著網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大和各類網(wǎng)絡(luò)應(yīng)用的持續(xù)發(fā)展，互聯(lián)網(wǎng)已經(jīng)成為人類生產(chǎn)生活不可或缺的基礎(chǔ)設(shè)施。與此同時，各類網(wǎng)絡(luò)攻擊活動也日益猖獗，給網(wǎng)絡(luò)空間安全造成了巨大隱患，例如，拒絕服務(wù)攻擊、計算機(jī)蠕蟲、勒索病毒等。網(wǎng)絡(luò)流量異常檢測作為一種有效的網(wǎng)絡(luò)防護(hù)手段，能夠檢測未知攻擊行為，并為網(wǎng)絡(luò)態(tài)勢感知提供重要支持，近年來受到研究者越來越多的關(guān)注。迄今為止，國內(nèi)外學(xué)者已經(jīng)提出了很多不同類型的檢測方法。其中，基于網(wǎng)絡(luò)流量分類的方法是其中很重要的一類。但是

2、，目前大多數(shù)網(wǎng)絡(luò)流量分類方法都是基于傳統(tǒng)的機(jī)器學(xué)習(xí)方式，分類性能非常依賴于流量特征的設(shè)計。如何設(shè)計一組能夠準(zhǔn)確刻畫流量特性的特征集，需要大量的人工經(jīng)驗和特征工程技巧，仍是一個尚未解決的問題。
　　近年來，深度學(xué)習(xí)在計算機(jī)視覺、語音識別、自然語言處理等多個領(lǐng)域都取得了優(yōu)異的成果，也為網(wǎng)絡(luò)流量分類及異常檢測的發(fā)展帶來了新的契機(jī)。本文基于深度學(xué)習(xí)的方法對上述問題展開研究，主要研究工作和創(chuàng)新如下:
　　1.基于表征學(xué)習(xí)的惡意流量分類

3、方法:針對基于傳統(tǒng)機(jī)器學(xué)習(xí)的惡意流量分類方法的特征依賴問題，提出了一種基于表征學(xué)習(xí)的惡意流量分類方法。與以特征工程為主的傳統(tǒng)機(jī)器學(xué)習(xí)方法不同，該方法不需要人工提取和選擇網(wǎng)絡(luò)流量的特征集，而是直接將原始流量作為深層神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，流量數(shù)據(jù)表征學(xué)習(xí)的整體過程都由深層神經(jīng)網(wǎng)絡(luò)完成，可節(jié)省大量的特征工程工作量，降低了任務(wù)的復(fù)雜度。通過多項實驗確定了性能最優(yōu)的網(wǎng)絡(luò)流量表示形式為帶有全部協(xié)議層的雙向通信的網(wǎng)絡(luò)流數(shù)據(jù)。在具有三類分類器的兩種應(yīng)用場

4、景下進(jìn)行了實驗驗證，實驗結(jié)果表明，該方法在精度、查準(zhǔn)率、查全率和F1值等多個方面可滿足實用化需求。
　　2.基于一維CNN的端到端的加密流量分類方法:針對基于分治策略的加密流量分類方法難以獲取全局最優(yōu)值的問題，提出了一種基于一維CNN的端到端的加密流量分類方法。該方法將特征提取、特征選擇、分類器等多個分步驟整合在一個端到端的框架內(nèi)，實現(xiàn)了自動學(xué)習(xí)從原始輸入到期望輸出的非線性關(guān)系，更大可能地獲得全局最優(yōu)值。本文使用一維卷積神經(jīng)網(wǎng)絡(luò)作

5、為端到端的框架，比常用的二維卷積神經(jīng)網(wǎng)絡(luò)更加適合網(wǎng)絡(luò)流量的一維序列特性。實驗結(jié)果表明，該方法在公開的加密流量數(shù)據(jù)集上取得了優(yōu)異的表現(xiàn)，在4類實驗場景下的12項實驗結(jié)果對比中，該方法的11項結(jié)果都優(yōu)于基于分治策略的通用方法。尤其是在VPN加密流量的分類方面，本文提出的方法將查準(zhǔn)率和查全率都提高了約10％。
　　3.基于兩階段LSTM的網(wǎng)絡(luò)流量分類方法:針對目前使用深度學(xué)習(xí)的網(wǎng)絡(luò)流量分類方法沒有充分利用網(wǎng)絡(luò)流量的結(jié)構(gòu)化信息的問題，提出

6、了一種在數(shù)據(jù)包和網(wǎng)絡(luò)流兩個層次上使用兩階段LSTM的網(wǎng)絡(luò)流量分類方法。該方法分別使用雙向LSTM分階段地學(xué)習(xí)數(shù)據(jù)包和網(wǎng)絡(luò)流的特征，得到比較綜合全面的時序特征后再進(jìn)行分類，實現(xiàn)更加準(zhǔn)確的網(wǎng)絡(luò)流量分類效果。該方法充分考慮了網(wǎng)絡(luò)流量的內(nèi)部結(jié)構(gòu)組織關(guān)系，有效利用了LSTM優(yōu)秀的時序特征學(xué)習(xí)能力。實驗結(jié)果表明，該方法在公開的流量數(shù)據(jù)集上取得了良好效果，在精度、檢測率和誤警率等多項性能指標(biāo)的比較中，大部分都超過或持平了目前使用手工設(shè)計特征的通用方法

7、。
　　4.基于層次化時空特征學(xué)習(xí)的網(wǎng)絡(luò)流量異常檢測方法:針對目前網(wǎng)絡(luò)異常檢測領(lǐng)域的特征依賴和高誤警率等兩個普遍存在的問題，提出了一種基于層次化時空特征學(xué)習(xí)的網(wǎng)絡(luò)流量異常檢測方法HAST-NAD。該方法使用CNN學(xué)習(xí)網(wǎng)絡(luò)流量的下層空間特征，使用雙向LSTM進(jìn)一步學(xué)習(xí)網(wǎng)絡(luò)流量的上層時序特征。上述特征學(xué)習(xí)過程由深層神經(jīng)網(wǎng)絡(luò)自動完成，無需任何特征工程技術(shù)，有效避免了手工設(shè)計特征帶來的特征不準(zhǔn)確等問題。同時，自動學(xué)習(xí)到的特征也有效地降低了