0 引言

　　VoIP(Voice over Internet Protocol)業(yè)務(wù)成本低、部署方便，在語音通信業(yè)務(wù)中的比例持續(xù)上升，其發(fā)展帶來機(jī)遇的同時(shí)也給網(wǎng)絡(luò)安全運(yùn)行帶來了巨大挑戰(zhàn)[1]。因此，對VoIP業(yè)務(wù)進(jìn)行管控非常重要，高精度在線流量識(shí)別也成為眾多研究領(lǐng)域的熱點(diǎn)與難點(diǎn)。

　　目前，主流VoIP流量識(shí)別方法主要包括兩大類：基于流特征的VoIP流量識(shí)別與基于機(jī)器學(xué)習(xí)的VoIP流量識(shí)別。文獻(xiàn)[2]最早利用流特征進(jìn)行流量分類，提出249種具體的流特征，并提供10組可用的流量數(shù)據(jù)集。文獻(xiàn)[3]針對數(shù)據(jù)流中一段時(shí)間內(nèi)的數(shù)據(jù)包長和包時(shí)間間隔，統(tǒng)計(jì)其分布范圍、均值、中值與方差等特征作為VoIP流量識(shí)別的依據(jù)。上述文獻(xiàn)識(shí)別精度不高，基于流特征的識(shí)別方法對不同類型的網(wǎng)絡(luò)流量適應(yīng)性也較低。基于機(jī)器學(xué)習(xí)的識(shí)別方法主要集中于離線識(shí)別，對于在線VoIP流量識(shí)別的研究并不多[4-7]。文獻(xiàn)[4]實(shí)現(xiàn)了基于WEKA庫文件的Skype流量在線檢測工具，但存在無netAI工具更新、無可視化界面、算法單一等缺陷。文獻(xiàn)[5]改進(jìn)了支持向量機(jī)算法，能夠節(jié)省1/4的識(shí)別時(shí)間，但仍然無法滿足在線識(shí)別的實(shí)時(shí)性要求。文獻(xiàn)[6]基于流統(tǒng)計(jì)特征，利用機(jī)器學(xué)習(xí)算法構(gòu)建分類器模型，系統(tǒng)在線識(shí)別精度為93%。其不足之處在于，沒有研究在線識(shí)別系統(tǒng)的實(shí)時(shí)性，并不是真正意義上的在線識(shí)別。文獻(xiàn)[7]基于開源數(shù)據(jù)挖掘工具WEKA中的機(jī)器學(xué)習(xí)算法，針對特定應(yīng)用Skype提出并設(shè)計(jì)出一種基于決策理論的識(shí)別工具，然而只能達(dá)到82%的精度，無法滿足大流量環(huán)境下的高精度識(shí)別。從目前的研究成果來看，在線識(shí)別的難點(diǎn)主要在兩方面：一是無法滿足較高實(shí)時(shí)性要求，二是無法實(shí)現(xiàn)高精度識(shí)別。

　　針對以上問題，本文設(shè)計(jì)了VoIP流量在線識(shí)別系統(tǒng)，不僅能實(shí)現(xiàn)實(shí)時(shí)在線識(shí)別，且識(shí)別精度高達(dá)到92%。

1 VoIP流量在線識(shí)別系統(tǒng)

　　本文所設(shè)計(jì)的系統(tǒng)中，數(shù)據(jù)流定義為兩個(gè)主機(jī)之間交換的連續(xù)數(shù)據(jù)包。同一條流中所有數(shù)據(jù)包的五元組相同（五元組包括源地址、目的地址、源端口、目的端口和傳輸協(xié)議）。構(gòu)建訓(xùn)練集的過程需對數(shù)據(jù)包進(jìn)行分流，根據(jù)思科分流定義，單條TCP流須包含完整語義的開始時(shí)刻（SYN）和結(jié)束時(shí)刻（FIN/RST），UDP流中兩個(gè)包之間的時(shí)間間隔不超過30 s[8]。

　　1.1 在線識(shí)別系統(tǒng)原理

　　在線識(shí)別系統(tǒng)分為離線分類器建模和在線識(shí)別。其中，離線分類器建模如圖1所示，預(yù)處理模塊對PCAP文件格式的數(shù)據(jù)集進(jìn)行分流，并轉(zhuǎn)化為WEKA工具所能識(shí)別的CSV文件格式，同時(shí)統(tǒng)計(jì)每個(gè)數(shù)據(jù)流的流特征構(gòu)建成訓(xùn)練集。算法學(xué)習(xí)模塊采用Best first search算法和CSF算法去除候選特征中的冗余且不相關(guān)的流特征，獲得最優(yōu)特征子集，再調(diào)用機(jī)器學(xué)習(xí)算法對訓(xùn)練集進(jìn)行學(xué)習(xí)并搭建分類器模型。最后，通過相關(guān)指標(biāo)評估獲得最優(yōu)分類器模型。

圖1  離線分類器框圖

　　如圖2所示，本文所設(shè)計(jì)的在線識(shí)別系統(tǒng)建立在獲得離線分類器的基礎(chǔ)上，提出JPcap邊抓包邊檢測機(jī)制，利用JPcap庫編寫探嗅器控制底層網(wǎng)卡抓取數(shù)據(jù)包，同時(shí)分流模塊對數(shù)據(jù)包分流并統(tǒng)計(jì)流特征。設(shè)定流量累積時(shí)間，每次達(dá)到閾值時(shí)間30 s，將統(tǒng)計(jì)好的數(shù)據(jù)流作為測試集送入離線狀態(tài)下構(gòu)建好的分類器進(jìn)行識(shí)別，并將識(shí)別出的VoIP流量以IP地址的形式輸出到系統(tǒng)界面，動(dòng)態(tài)顯示網(wǎng)絡(luò)中VoIP電話狀態(tài)。

圖2  在線識(shí)別系統(tǒng)

　　1.2 預(yù)處理模塊

　　預(yù)處理模塊在離線狀態(tài)進(jìn)行，為系統(tǒng)搭建分類器提供完整訓(xùn)練集。該模塊包括獲取數(shù)據(jù)集、文件格式轉(zhuǎn)換與分流統(tǒng)計(jì)構(gòu)建訓(xùn)練集。

　　1.2.1 獲取數(shù)據(jù)集

　　使用Wireshark軟件抓取PC中運(yùn)行的特定應(yīng)用類型流量獲取數(shù)據(jù)集，通過配置交換機(jī)鏡像端口將抓取單個(gè)PC產(chǎn)生的流量擴(kuò)展為整個(gè)局域網(wǎng)產(chǎn)生的流量。同時(shí)使用文獻(xiàn)[4]中提到的Moore數(shù)據(jù)集與Tstat網(wǎng)[9]提供的Skype數(shù)據(jù)集。此外，在數(shù)據(jù)集中新增PC-PHONE端的VoIP類型流量，使系統(tǒng)同時(shí)具備PC-PC端與PC-PHONE端VoIP電話的識(shí)別能力。

　　1.2.2 文件格式轉(zhuǎn)換

　　Wireshark軟件數(shù)據(jù)包的存儲(chǔ)格式為PCAP格式。PCAP文件頭包括：數(shù)據(jù)鏈路層14 B包頭+20 B IP包頭+20 B TCP或UDP包頭。預(yù)處理模塊通過分析PCAP文件頭信息，編程實(shí)現(xiàn)五元組、時(shí)間戳及數(shù)據(jù)包長等流特征信息的提取，并轉(zhuǎn)換為WEKA能識(shí)別的CSV文件格式。

　　1.2.3 分流統(tǒng)計(jì)構(gòu)建訓(xùn)練集

　　首先在五元組相同且滿足思科分流定義的條件下，對Wireshark抓取的數(shù)據(jù)包進(jìn)行分流，利用文獻(xiàn)[2]提供的fullstats分流器，在Linux系統(tǒng)中實(shí)現(xiàn)分流。完成數(shù)據(jù)包分流后，統(tǒng)計(jì)數(shù)據(jù)流的相關(guān)流特征，并將統(tǒng)計(jì)后的數(shù)據(jù)流作為最終訓(xùn)練集。

　　1.3 流特征選擇

　　文獻(xiàn)[2]提出了249種流特征，若對每個(gè)特征進(jìn)行統(tǒng)計(jì)，將耗費(fèi)大量的計(jì)算時(shí)間，成本過高，且并不是所有流特征都適用于VoIP流量識(shí)別，因此需要去除不相關(guān)且冗余的流特征，以達(dá)到提高模型精確度，減少運(yùn)行時(shí)間的目的。本設(shè)計(jì)根據(jù)VoIP語音電話特有的通信屬性對其進(jìn)行初步篩選，得出20個(gè)候選流特征再進(jìn)行特征選擇。特征選擇首先從候選特征集中產(chǎn)生一個(gè)特征子集，然后用評價(jià)函數(shù)對該特征子集進(jìn)行評價(jià)，將評價(jià)的結(jié)果與停止準(zhǔn)則進(jìn)行比較，若評價(jià)結(jié)果比停止準(zhǔn)則好就停止，否則就繼續(xù)產(chǎn)生下一組特征子集，直到獲得評價(jià)最高的特征子集。本文使用Best first search搜索算法從候選特征集中產(chǎn)生特征子集，然后用CFS（Correalation-based Feature Selection）算法進(jìn)行評估，得到12個(gè)相關(guān)性最好、得分最高的特征子集，如表1所示。

　　1.4 機(jī)器學(xué)習(xí)算法

　　本文著重研究C4.5決策樹算法，為增強(qiáng)系統(tǒng)可擴(kuò)展性，另在系統(tǒng)中集成了樸素貝葉斯算法（NaiveBayes）與支持向量機(jī)算法（SVM）。

　　C4.5決策樹是一種經(jīng)典的分類與回歸算法。決策樹的數(shù)據(jù)結(jié)構(gòu)由內(nèi)部節(jié)點(diǎn)和葉子節(jié)點(diǎn)組成，內(nèi)部節(jié)點(diǎn)代表一個(gè)特征屬性，葉子節(jié)點(diǎn)代表一個(gè)類別[10]。算法的處理過程分為以下幾個(gè)步驟：首先，計(jì)算數(shù)據(jù)集D的經(jīng)驗(yàn)熵H(D)，熵是一種不純度度量準(zhǔn)則：

　　式中，pi是屬于第i類的概率。其次，計(jì)算特征A對數(shù)據(jù)集D的經(jīng)驗(yàn)條件熵H(D|A)：

　　進(jìn)一步得出信息增益為：

　　信息增益比為：

　　式中HA(D)為屬性A的信息熵。依次選取信息增益比最大的特征Ag分割數(shù)據(jù)集D為Di，將Di中最大的類作為子節(jié)點(diǎn)再遞歸調(diào)用得到子樹Ti。最終經(jīng)過“悲觀剪枝”修剪決策樹得到損失函數(shù)最小的子樹。

　　樸素貝葉斯是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法。對于給定的訓(xùn)練集，首先基于特征條件獨(dú)立假設(shè)學(xué)習(xí)輸入/輸出的聯(lián)合概率分布，再基于此模型，對給定的輸入x，利用貝葉斯定理求出后驗(yàn)概率最大的輸出y。樸素貝葉斯的算法效率高，是一種常用的分類算法。

　　支持向量機(jī)是一種二分類模型，基本模型是定義在特征空間上的間隔最大的線性分類器。其學(xué)習(xí)策略是間隔最大化，可形式化為一個(gè)求解凸二次規(guī)劃的問題，也等價(jià)于正則化的合頁損失函數(shù)的最小化問題。

　　1.5 在線識(shí)別——JPcap邊抓包邊檢測機(jī)制

　　在線識(shí)別的關(guān)鍵技術(shù)是實(shí)現(xiàn)在線抓包同時(shí)短時(shí)間內(nèi)識(shí)別出目標(biāo)流量。本文致力于尋找一個(gè)能實(shí)現(xiàn)Window系統(tǒng)下在線抓包的工具，而JPcap庫正是實(shí)現(xiàn)這一想法的重要類庫。

　　JPcap庫是Keita Fujiiy開發(fā)的一套能夠捕獲、發(fā)送網(wǎng)絡(luò)數(shù)據(jù)包的Java類庫[11]。Java語言雖然在TCP/UDP傳輸方面給予了良好的定義，但對于網(wǎng)絡(luò)層以下的控制卻無能為力。JPcap類庫給Java語言提供一個(gè)公共接口，類庫使用libpcap和原始套接字API，調(diào)用Jini獲得JavaAPI中的數(shù)據(jù)，實(shí)現(xiàn)Java語言對底層網(wǎng)卡的控制與鏈路層數(shù)據(jù)包的獲取。

　　本文提出JPcap邊抓包邊檢測機(jī)制，基于JPcap庫編寫探嗅器實(shí)現(xiàn)在線抓包。利用JPcap庫所抓取的數(shù)據(jù)包對象是單個(gè)數(shù)據(jù)包。因此，系統(tǒng)在抓包的同時(shí)能實(shí)現(xiàn)對單個(gè)數(shù)據(jù)包按五元組分流并統(tǒng)計(jì)其流特征。每當(dāng)統(tǒng)計(jì)時(shí)間達(dá)到所設(shè)置的閾值時(shí)間30 s時(shí)，便將這段時(shí)間內(nèi)統(tǒng)計(jì)好的數(shù)據(jù)流作為測試集送入分類器進(jìn)行識(shí)別，輸出識(shí)別的VoIP流IP地址，動(dòng)態(tài)顯示網(wǎng)絡(luò)中VoIP的狀態(tài)，實(shí)現(xiàn)真正意義上的VoIP流量實(shí)時(shí)在線識(shí)別系統(tǒng)。

2 實(shí)驗(yàn)結(jié)果與分析

　　實(shí)驗(yàn)環(huán)境：新西蘭懷卡托大學(xué)基于Java開發(fā)的開源數(shù)據(jù)挖掘平臺(tái)weka3.6、一臺(tái)裝有Windows 7操作系統(tǒng)和Eclipes的個(gè)人PC、一臺(tái)華為S5000交換機(jī)。

　　2.1 評價(jià)指標(biāo)

　　評價(jià)二分類類型的分類器性能指標(biāo)為：精度（precision）、召回率（recall）、F1值。實(shí)驗(yàn)以VoIP類為正類，非VoIP類為負(fù)類，分類器在測試集上預(yù)測結(jié)果為正確或錯(cuò)誤?？赡艹霈F(xiàn)的4種情況記：TP，將正類預(yù)測為正類數(shù)；FN，將正類預(yù)測為負(fù)類數(shù)；FP，將負(fù)類預(yù)測為正類數(shù)；TN，將負(fù)類預(yù)測為負(fù)類數(shù)。進(jìn)一步，得到精度：

　　召回率為：

　　F1值為精度和召回率的調(diào)和均值：

　　2.2 實(shí)驗(yàn)數(shù)據(jù)

　　本次實(shí)驗(yàn)使用1.5G Skype流，包含了Skype 10個(gè)版本，共計(jì)1 371條流，其中371條為PC-PHONE端VoIP流量。非VoIP流量1G，使用文獻(xiàn)[2]中提到的Moore數(shù)據(jù)集與通過鏡像端口抓取到的數(shù)據(jù)集。整個(gè)訓(xùn)練集共34 371條數(shù)據(jù)流，覆蓋14種流量類型，具體見表2。

　　2.3 離線分類器模型結(jié)果分析

　　系統(tǒng)識(shí)別結(jié)果如圖3所示。離線建模過程如圖3上半部分所示，步驟包括打開訓(xùn)練集文件、選擇機(jī)器學(xué)習(xí)算法、建模，圖中所示J48即C4.5決策樹算法，結(jié)果框?yàn)榉诸惼髯R(shí)別結(jié)果，具體如圖4所示。

圖3  系統(tǒng)識(shí)別結(jié)果

圖4  分類器識(shí)別結(jié)果

　　實(shí)驗(yàn)使用10折交叉驗(yàn)證法評估出平均測試誤差最小的分類器，由圖4可知，分類器識(shí)別精度為99.9%，召回率為99.6%。圖4最下方為混淆矩陣，對于二分類問題，用2×2矩陣表示，正對角線上表示正確分類的樣本，反對角線表示被錯(cuò)誤分類的樣本數(shù)，結(jié)果顯示有2個(gè)非VoIP樣本被分類成VoIP類，6個(gè)Skype樣本被分類成非VoIP類。實(shí)驗(yàn)結(jié)果表明，本文所選取的最優(yōu)特征子集大幅提高了分類器的性能指標(biāo)。由于本文針對VoIP流包長、時(shí)間間隔等關(guān)鍵屬性對流特征進(jìn)行篩選，增強(qiáng)了機(jī)器學(xué)習(xí)算法的學(xué)習(xí)能力，從而使得分類器識(shí)別性能大大提高。

　　同樣地，對NaiveBayes和SVM算法分別進(jìn)行實(shí)驗(yàn)，3個(gè)算法搭建的分類器識(shí)別結(jié)果對比圖如圖5所示?？芍贑4.5決策樹算法分類器的3個(gè)評價(jià)指標(biāo)均最高。這是因?yàn)镃4.5決策樹算法建模時(shí)不依賴于網(wǎng)絡(luò)流量類型的分布，對于不同類型的流量數(shù)據(jù)有更強(qiáng)的適應(yīng)能力，在分析較大訓(xùn)練集時(shí)優(yōu)于依賴先驗(yàn)概率的NaiveBayes算法，且內(nèi)存需求小于SVM算法，因此得到了最好的識(shí)別精度。

圖5  3種算法分類器結(jié)果對比

　　2.4 在線分類器識(shí)別結(jié)果分析

　　在線識(shí)別如圖3下半部分所示。首先打開本地網(wǎng)卡開始抓包，設(shè)定混雜模式抓取流經(jīng)本地網(wǎng)卡的所有數(shù)據(jù)包，同時(shí)對數(shù)據(jù)包進(jìn)行分流并統(tǒng)計(jì)流特征。每達(dá)到設(shè)定的30 s閾值時(shí)，選擇對應(yīng)算法的分類器對測試集進(jìn)行在線識(shí)別，識(shí)別出VoIP類型流量并以IP地址形式輸出到圖示結(jié)果框。圖3僅是一次測試結(jié)果，3個(gè)IP地址均為VoIP通話主機(jī)地址，結(jié)果表明系統(tǒng)實(shí)時(shí)準(zhǔn)確識(shí)別出了當(dāng)前網(wǎng)絡(luò)中的VoIP通話。

　　接下來，累積進(jìn)行100次在線實(shí)驗(yàn)，對比3種分類器在線識(shí)別精度，結(jié)果如表3所示。由表3可知，在線識(shí)別精度最高的分類器為基于C4.5算法的分類器。

　　而作為在線識(shí)別系統(tǒng)，除精度以外，還需考慮第二個(gè)核心指標(biāo)——實(shí)時(shí)性。這里也對3種算法的建模時(shí)間與識(shí)別時(shí)間進(jìn)行對比，結(jié)果如表4所示。由表4可得，基于C4.5算法的在線識(shí)別時(shí)間最短，建模時(shí)間略低于NaiveBayes算法，而NaiveBayes在線識(shí)別時(shí)間低于C4.5算法，SVM建模與識(shí)別時(shí)間均最長。由于C4.5決策樹模型處理樣本時(shí)，僅需根據(jù)網(wǎng)絡(luò)流流特征值自頂向下進(jìn)行比較，找到相應(yīng)葉節(jié)點(diǎn)即可，處理簡單，處理效率更高，因此識(shí)別速度更快。

　　結(jié)合表3、表4的結(jié)果對精度與實(shí)時(shí)性指標(biāo)進(jìn)行分析，得到C4.5決策樹算分類器識(shí)別精度最高，且在線實(shí)時(shí)性最好；NaiveBayes分類器雖然建模時(shí)間短，但在線實(shí)時(shí)性略差，且精度較低；SVM分類器精度與實(shí)時(shí)性均不佳。在實(shí)際應(yīng)用中應(yīng)同時(shí)保證高識(shí)別精度與實(shí)時(shí)性，因此本文選擇C4.5決策樹為系統(tǒng)的核心算法。實(shí)驗(yàn)結(jié)果表明，本文所設(shè)計(jì)的VoIP流量在線識(shí)別系統(tǒng)確實(shí)能同時(shí)滿足高精度與實(shí)時(shí)性。

3 結(jié)束語

　　本文設(shè)計(jì)并實(shí)現(xiàn)了基于機(jī)器學(xué)習(xí)的VoIP流量在線識(shí)別系統(tǒng)，在大幅提高VoIP流量識(shí)別精度的同時(shí)保證了系統(tǒng)的實(shí)時(shí)性，且有良好可視化界面。實(shí)驗(yàn)結(jié)果表明，本文所設(shè)計(jì)的VoIP流量在線識(shí)別系統(tǒng)離線識(shí)別精度達(dá)99.9%，在線識(shí)別精度達(dá)92%，且識(shí)別時(shí)間短，能夠快速識(shí)別出目標(biāo)流量并顯示VoIP流量活動(dòng)的IP地址。不過，本文的訓(xùn)練集未能涵蓋更多種類的流量類型，對未知流量識(shí)別仍有待提高。未來的工作旨在建立一種更優(yōu)化的在線識(shí)別系統(tǒng)，繼續(xù)增強(qiáng)樣本容量，增加更多種類的流量類型并支持更多的算法。

　　參考文獻(xiàn)

　　[1] 梁偉，陳福才，李海濤.一種基于C4.5決策樹的VoIP流量識(shí)別方法[J].計(jì)算機(jī)應(yīng)用研究，2012，29(9)：3418-3421.

　　[2] MOORE A，ZUEV D，CROGAN M.Discriminators for use in flow-based classification[M].Queen Mary and Westfield College，Department of Computer Science，2005.

　　[3] OKABE T，KITAMURA T，SHIZUNO T.Statistical traffic identification method based on flow-level behavior for fair VoIP service[C].VoIP Management and Security，2006.1stIEEE Workshop on.IEEE，2006：35-40.

　　[4] CALCHAND A O，DINH V T，BRANCH P，et al.Skype

　　[5] 魯剛，張宏莉，葉麟.P2P流量識(shí)別[J].軟件學(xué)報(bào)，2011，22(6)：1281-1298.

　　[6] GU C，ZHANG S，SUN Y.Realtime encrypted traffic identification using machine learning[J].Journal of Software，2011，6(6)：1009-1016.

　　[7] DI MAURO M，LONGO M.Skype traffic detection：A decision theory based tool[C].Security Technology(ICCST)，2014International Carnahan Conference on.IEEE，2014：1-6.

　　[8] 魯剛，張宏莉，葉麟.P2P流量識(shí)別[J].軟件學(xué)報(bào)，2011，22(6)：1281-1298.

　　[9] TCP statistic and analysis tool.[EB/OL].[2016-01-02].http：//tstat.tlc.polito.it/.

　　[10] 李航. 統(tǒng)計(jì)學(xué)習(xí)方法[M].北京：清華大學(xué)出版社，2012.

　　[11] 石慧慧.基于Jpcap的網(wǎng)絡(luò)流量采集監(jiān)控系統(tǒng)研究與設(shè)計(jì)[D].南京：南京林業(yè)大學(xué)，2010.