引用格式：康未，李維皓，劉桐菊.基于生成對抗神經(jīng)網(wǎng)絡(luò)的流量生成方法研究［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2024，43（6）：33-41.
引言
隨著計算機和網(wǎng)絡(luò)技術(shù)的發(fā)展，網(wǎng)絡(luò)環(huán)境變得日益復(fù)雜［1］，網(wǎng)絡(luò)攻擊事件頻發(fā)，使得網(wǎng)絡(luò)的安全性測試和評估尤為重要。在網(wǎng)絡(luò)攻擊方式不斷演變之下，人工智能的發(fā)展使得網(wǎng)絡(luò)的攻擊和防御進入了一種新的態(tài)勢［2］，導(dǎo)致傳統(tǒng)的測試方法無法應(yīng)對當(dāng)前的需求。在此背景之下，亟需一種能夠模擬真實場景的流量生成工具，以評估網(wǎng)絡(luò)性能、檢測網(wǎng)絡(luò)潛在的風(fēng)險和優(yōu)化應(yīng)用程序，防止網(wǎng)絡(luò)攻擊事件的發(fā)生。
現(xiàn)有網(wǎng)絡(luò)流量生成器主要分為［3］：最大吞吐量生成器，以恒定或最大的速率生成網(wǎng)絡(luò)流量，常用于網(wǎng)絡(luò)帶寬的測試，例如 Iperf2［4］；回放生成器，重放之前捕獲的網(wǎng)絡(luò)流量，如 TCPReplay［5］；隨機模型生成器，利用隨機模型來模擬網(wǎng)絡(luò)流量的特征，如 Harpoon［6］；腳本生成器，允許用戶編寫復(fù)雜的邏輯，動態(tài)地修改數(shù)據(jù)包內(nèi)容，可以生成任意類型的數(shù)據(jù)包，如 Moongen［7］和 Scapy［8］；特定場景生成器，對特定應(yīng)用程序?qū)崿F(xiàn)的流量生成器，高度定制化，很難在其他環(huán)境繼續(xù)使用。其中只有隨機模型生成器和腳本生成器具有更多的靈活性，能夠在不同的維度模擬網(wǎng)絡(luò)流量，不過這需要用戶首先對采集到的數(shù)據(jù)設(shè)定一個統(tǒng)計模型，或者利用統(tǒng)計方法估計一個模型。因此如果設(shè)定的隨機分布不正確，或者流量數(shù)據(jù)的模型是未知的，那么生成流量就會不準確甚至失敗。
深度神經(jīng)網(wǎng)絡(luò)在擬合隨機模型上有著天然的優(yōu)勢，可以利用在真實網(wǎng)絡(luò)中采集的流量數(shù)據(jù)，擬合對應(yīng)數(shù)據(jù)的統(tǒng)計分布。而生成對抗神經(jīng)網(wǎng)絡(luò) (Generative Adversarial Networks，GAN)［9］已經(jīng)在很多領(lǐng)域被廣泛應(yīng)用，如圖像［10］、音頻［11］、視頻［12］等。通過對現(xiàn)有網(wǎng)絡(luò)流量生成方法的研究，基于統(tǒng)計的流量生成方法如圖1所示，首先在真實網(wǎng)絡(luò)中采集一段數(shù)據(jù)，然后提取需要生成的網(wǎng)絡(luò)流量的特征；將數(shù)據(jù)經(jīng)過預(yù)處理，得到神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，使用一種或多種統(tǒng)計模型進行擬合訓(xùn)練，利用擬合后的模型生成網(wǎng)絡(luò)流量在另一個時間段的特征；最后再將生成特征組合成的流量，發(fā)送到模擬的網(wǎng)絡(luò)環(huán)境中，用以測試網(wǎng)絡(luò)環(huán)境，或者研究網(wǎng)絡(luò)用戶的行為。
本文詳細內(nèi)容請下載：
http://www.shi-ke.cn/resource/share/2000006045
作者信息：
康未，李維皓，劉桐菊
（華北計算機系統(tǒng)工程研究所，北京100083）
