一种基于深度学习的网络流量细粒度分类方法

孔 镇，董育宁

（南京邮电大学 通信与信息工程学院，江苏 南京 210003）

网络流量分类是网络研究的一个重要分支［1］。随着网络视频需求的增加，正确分类网络视频服务类型，对网络资源管理和提升服务质量有着重要意义。根据思科白皮书显示，到2023年，视频流量将占所有网络流量的82%［2］。由于视频业务对带宽以及延迟抖动的要求都比较高，所以网络拥塞现象会变得严重，从而给网络管理带来不小的挑战［3］。因此，对视频流量进行细粒度分类能够帮助互联网服务商（ISP）根据不同的视频质量需求提供有区别的网络资源配置，从而保证服务质量（QoS）［4］。然而，众多新应用的出现以及网络加密技术和动态端口的应用，对网络流量分类产生了极大的挑战［5］。

当前，网络流量分类方法主要可以分为：基于端口、基于深度包检测（DPI）［6］、基于传统机器学习（ML）［7］的分类方法，以及基于机器学习中最新的深度学习（DL）［8］方法。由于越来越多的应用采用动态端口号，以及流加密技术的普遍使用，前两种分类方法不再有效。传统ML的网络流量分类方法可以避免前两种方法的不足，主要有SVM［9］、随机森林［10］、k均值［11］和高斯混合模型［12］等算法。 该分类方法基于这样一个事实：不同的应用在进行网络通信时会有不同的流行为特征，根据这些特征就能够对其进行分类［13］。然而，由于不同的应用，其特征不尽相同，因而挖掘这些特征需要一定的领域知识和大量的时间［14］。因此，传统ML分类方法在特征设计和选择方面有着新的挑战［15］，而这些问题直接影响分类效果［16］。……