《電子技術應用》
您所在的位置:首頁 > 通信與網絡 > 設計應用 > 基于生成對抗神經網絡的流量生成方法研究
基于生成對抗神經網絡的流量生成方法研究
網絡安全與數據治理
康未,李維皓,劉桐菊
華北計算機系統工程研究所
摘要: 網絡仿真中的流量生成對于確保仿真效果至關重要。目前常見的網絡流量生成器通?;谀撤N隨機模型,生成的流量只能服從指定的隨機分布。實際網絡中的隨機模型往往難以確定,導致現有模型對真實網絡流量的仿真有一定的偏差。為了解決這些問題,提出了基于生成對抗神經網絡的時空相關流量生成模型;對網絡流量數據改進了其編碼方式,并使用 Z-score 處理流量數據,使數據趨于標準正態分布;提出了一種網絡流量時空相關性的度量方法。實驗結果表明,相較于現有的基線生成方式,所提出的方法在真實性和相關性的度量上平均提高了9%。
中圖分類號:TP309文獻標識碼:ADOI:10.19358/j.issn.2097-1788.2024.06.005
引用格式:康未,李維皓,劉桐菊.基于生成對抗神經網絡的流量生成方法研究[J].網絡安全與數據治理,2024,43(6):33-41.
Traffic generation methods based on generative adversarial neural networks
Kang Wei,Li Weihao,Liu Tongju
National Computer System Engineering Research Institute of China
Abstract: Traffic generation in network simulation is crucial for ensuring simulation effectiveness. Currently, common network traffic generators are typically based on a certain random model, where the generated traffic adheres to a specified random distribution. However, determining a realistic random model for actual network traffic is often challenging, leading to biases in current models when simulating real network traffic. To address these issues, this paper proposes a spatiotemporal-correlated traffic generation model based on Generative Adversarial Neural Networks (GANs). The encoding method for network traffic data is improved, and Z-score is applied to process traffic data, making the data tend toward a standard normal distribution. Additionally, a measurement method for evaluating the spatiotemporal correlation of network traffic is introduced. Experimental results indicate that, compared to existing baseline generation methods, the proposed approach averages 9% improvement in measures of authenticity and correlation.
Key words : network simulation; network traffic generation; generative adversarial neural networks; spatiotemporal correlation

引言

隨著計算機和網絡技術的發展,網絡環境變得日益復雜[1],網絡攻擊事件頻發,使得網絡的安全性測試和評估尤為重要。在網絡攻擊方式不斷演變之下,人工智能的發展使得網絡的攻擊和防御進入了一種新的態勢[2],導致傳統的測試方法無法應對當前的需求。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,以評估網絡性能、檢測網絡潛在的風險和優化應用程序,防止網絡攻擊事件的發生。

現有網絡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絡流量,常用于網絡帶寬的測試,例如 Iperf2[4];回放生成器,重放之前捕獲的網絡流量,如 TCPReplay[5];隨機模型生成器,利用隨機模型來模擬網絡流量的特征,如 Harpoon[6];腳本生成器,允許用戶編寫復雜的邏輯,動態地修改數據包內容,可以生成任意類型的數據包,如 Moongen[7]和 Scapy[8];特定場景生成器,對特定應用程序實現的流量生成器,高度定制化,很難在其他環境繼續使用。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絡流量,不過這需要用戶首先對采集到的數據設定一個統計模型,或者利用統計方法估計一個模型。因此如果設定的隨機分布不正確,或者流量數據的模型是未知的,那么生成流量就會不準確甚至失敗。

深度神經網絡在擬合隨機模型上有著天然的優勢,可以利用在真實網絡中采集的流量數據,擬合對應數據的統計分布。而生成對抗神經網絡 (Generative Adversarial Networks,GAN)[9]已經在很多領域被廣泛應用,如圖像[10]、音頻[11]、視頻[12]等。通過對現有網絡流量生成方法的研究,基于統計的流量生成方法如圖1所示,首先在真實網絡中采集一段數據,然后提取需要生成的網絡流量的特征;將數據經過預處理,得到神經網絡的輸入數據,使用一種或多種統計模型進行擬合訓練,利用擬合后的模型生成網絡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,發送到模擬的網絡環境中,用以測試網絡環境,或者研究網絡用戶的行為。


本文詳細內容請下載:

http://www.xxav2194.com/resource/share/2000006045


作者信息:

康未,李維皓,劉桐菊

(華北計算機系統工程研究所,北京100083)


Magazine.Subscription.jpg

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 99久久精品国产亚洲| 久草视频福利资源站| 色哟哟www网站| 国产精品线在线精品| 中文字幕123区| 最近免费中文字幕mv在线电影| 偷偷狠狠的日日高清完整视频| 野花直播免费观看日本更新最新| 国产青青草视频| 一本色道久久88| 日韩中文字幕在线播放| 亚洲欧洲精品视频在线观看| 精品国产国产综合精品| 国产呻吟久久久久久久92| 69国产成人精品午夜福中文| 婷婷五月综合激情| 久久久噜噜噜久久中文字幕色伊伊| 欧美性69式xxxx护士| 伊人影视在线观看日韩区| 色五月激情小说| 国产成人悠悠影院| 30岁的女人韩剧免费观看| 奇米影视四色中文字幕| 中文字幕日韩wm二在线看| 日韩电影免费在线观看网站| 亚洲成av人片不卡无码| 男人女人做30分爽爽视频| 四虎最新紧急更新地址| 黄色成人免费网站| 国产精品国产三级国产av剧情| a级毛片高清免费视频在线播放| 成年在线网站免费观看无广告 | 岛国片在线免费观看| 久久亚洲精品视频| 机机对机机30分钟无遮挡的软件免费大全 | 99re6在线| 婷婷六月综合网| 中文字幕在线观看不卡| 日韩av激情在线观看| 亚洲av永久无码精品水牛影视| 欧美精品在线观看|