LTE网络S1接口流量监测技术的研究与实现

为了实现对长期演进(long term evolution,LTE)网络的流量监测,对S1接口用户面协议栈和应用层协议进行了分析,利用模块化设计思想实现了对S1接口应用层协议的全面监测。针对传统信令监测系统数据业务识别度低、统计能力不强的问题,在传统的监测系统基础上,应用深度包检测（deep packet inspection,DPI）技术对应用层业务进行精细化识别, 并设计了基于传输流的业务呼叫/事务详细记录(call/transaction detail record,xDR)合成方法,实现了对业务流量的精确监测。经现网测试验证,所设计的基于深度包检测技术的业务识别方案和基于传输流的呼叫/事务详细记录合成方案达到了预期的效果,在移动通信网络业务流量监测领域具有推广意义。     

网络信息在Linux系统下的捕获与分析

目的解决Linux系统中网络信息的捕获与分析。方法主要通过创建socket套接口实现网络数据的捕获，通过数据包捕获与协议分析的被动流量监测获得各个协议层次的流量指标。结果在网路上截取／阅读位于OSI协议模型中各个协议层次上的数据包。结论此方法在Linux系统中可简便快捷地实现，可以捕获和分析大量网络性能信息、网络服务状况以及网络所存在的弱点。     

基于卷积神经网络的网络流量识别技术研究

近年来,深度包检测技术和基于统计特征的网络流量识别技术迅速发展,但它们分别存在不能识别加密流量和依赖人对特征主观选择的缺陷.文章提出了基于卷积神经网络的流量识别方法,将网络数据按照一定的规则转换为灰度图像进行识别,并根据TCP数据包的有序性和UDP数据包的无序性,对原始的网络数据进行了扩展,以进一步提高识别率.实验数据表明,该方法对应用程序和应用层协议两个层次的网络流量具有较高的检测率.     

无线传感器网络的能耗均衡性能与寿命分析

为了改善网络的能耗均衡性能和延长网络的稳态寿命,在最小代价路由协议的基础上,对无线传感器网络的数据流量分布、能耗均衡性能和寿命等进行建模分析。首先确立研究的能耗模型和网络模型,采用网络寿命方程及其寿命终止条件的方法,对网络节点的能耗期望、流量、能耗均衡性能、寿命等进行推导和分析,以动态监测和发现区域中导致网络能量空洞的热点关键节点,为无线传感器网络的能耗均衡策略和路由优化机制提供一种新的识别可时变性强和能耗率高的热点节点,以及评价分析网络能耗均衡性能与寿命的方法。仿真结果表明,该方法可以实现网络能耗、数据流量、能耗均衡和网络寿命的准确评估。     

iSCSI协议安全性的分析

从iSCSI协议的安全性出发,从认证和数据加密2个角度研究了iSCSI的安全性,SSH有很多功能,它传送的是经过压缩的加密信息,目的是要在非安全网络上提供安全的远程登录和其他安全网络服务,使用它既可以代替Telnet,又可以为FTP、邮件传输、甚至为PPP提供一个安全的"通道"。IPSEC位于IP层,为2台机器之间提供安全的IP连接。它能保护运行于IP层之上的任何一种协议。而SSH是位于应用层与传输层之间的一种安全协议,因此它能够紧紧和iSCSI融合在一起,保障iSCSI的安全。提出了基于SSH的安全iSCSI方案,所以实验选择SSH作为iSCSI的安全机制,其中SSH的安全通过OpenSSH-4.3p2-10来实现,在此基础上提供了IP层和上层协议的iSCSI安全。     

网络应用层会话分析系统的设计和实现

应用层会话分析可以用来反应网络状态、掌握用户习惯以及发现潜在的安全威胁。该文提出了一种网络应用层会话分析系统的设计和实现方法,给出了应用层协议包括固定端口和可变端口协议的分析算法。实验表明,该文的方法能够有效地在对局域网内的会话进行识别和统计。     

基于消息认证码的网络隐写分析算法与实现

提出了一种与应用层协议无关的网络隐写算法,算法基于IP协议。隐写数据以包为单位发送,而不是将数据隐藏在具体的字段中,因此性能较好。同时,该算法不会产生异常流量,因此很难被隐写分析检测出来。实验结果表明了该算法的可行性。     

利用明文特征和朴素贝叶斯分类识别P2P流量

明文特征是基于应用层静态特征的一种识别方法,需要提取出应用层数据的特征信息;而朴素贝叶斯分类是基于大量统计信息的一种识别方法,主要用来识别加密的Peer-to-Peer(P2P)流量。着重介绍了采用明文特征和朴素贝叶斯分类相结合的方法,对加密的以及未加密的P2P流量进行识别。测试结果表明,这种方法可以较准确地识别出P2P流量。     

基于快速神经网络的HTTP僵尸网络检测算法

僵尸网络已成为目前互联网安全所面临的严重威胁之一.经过10余年发展,僵尸网络已从使用传统的IRC协议向HTTP协议进行转变,给检测及防御等方面造成了诸多困难.通过分析基于HTTP协议僵尸网络所产生流量,在得出相关TCP协议统计信息、僵尸活动的间隔时间等特征的基础上,提出将快速学习神经网络模型(Extreme Learning Machine,ELM)用于识别和检测HTTP僵尸网络.实验表明,该方法能有效从网络流量中检测出BlackEnergry,Bobax等HTTP僵尸网络.与决策树C4.5、SVM算法及传统的BP算法相比较,该方法具有较高的识别率和较低的误报率.     

基于ELM的网络流量分类及可视化研究

精准的网络流量分类是网路流量监测和网络流量数据分析的重要基础。机器学习方法利用统计网络流量的各种特征,不依赖于协议端口和协议内容对网络流量数据进行分析。采用超限学习机(ELM)和改进算法分层超限学习机(H-ELM)作为机器学习的算法,识别客户端与服务器。对链路层、网络层和应用层数据进行分析,实现对多层次网络流量数据的可视化,对H-ELM和ELM算法的实验结果进行对比。实验结果表明,ELM算法能有效地应用于网络流量分类,基于ELM分类模型的网络流量识别训练速度快。H-ELM通过紧凑的特征去除冗余原始输入,改进了总体学习表现。