一种基于ResNet的网络流量识别方法

代志康，吴秋新，程希明

(北京信息科技大学 理学院，北京 100192)

0 引言

随着互联网的高速发展，产生了许多新型的网络应用，同时由用户流量、爬虫访问流量、物联流量等组成的各种形式的网络流量呈现出爆炸增长的趋势。流量形式的复杂化和流量规模的扩大化导致网络流量的管理和网络安全的控制变得越来越困难。网络流量识别技术是处理这一问题的关键技术之一，这些年来也成为如何管理网络流量问题中的一个研究热点。

在流量识别领域，越来越多的研究者选择使用机器学习方法来处理关于网络流量的问题。文献[1]提出了基于贝叶斯方法的网络流量分类方法，该方法识别率高，但需要满足各项属性条件独立且符合高斯分布的条件，而实际中的流量很难满足这两个条件。文献[2]引入了决策树的方法，该方法不需要流量数据遵循特定的分布，准确率也得到了提高。机器学习方法的准确率较高且比较快捷，但是依赖于人工提取的特征，需要研究人员多年专业经验，而且消耗人力。而深度学习技术，可以自适应抽取数据的抽象特征并进行相应特征组合，然后再对组合特征识别，节省了人力且易于实现。文献[3-5]使用经典的卷积神经网络(convolutional neural networks,CNN)识别传输控制协议(transmission control protocol,TCP)或用户数据报协议(user datagram protocol,UDP)的流量数据，都取得了很高的准确率。文献[6]尝试采用一维的卷积神经网络对复杂网络下的加密流量进行识别，表明深度学习在复杂环境下的实用性。……