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)展帶來機遇的同時也給網(wǎng)絡(luò)安全運行帶來了巨大挑戰(zhàn)[1]。因此，對VoIP業(yè)務(wù)進行管控非常重要，高精度在線流量識別也成為眾多研究領(lǐng)域的熱點與難點。

　　目前，主流VoIP流量識別方法主要包括兩大類：基于流特征的VoIP流量識別與基于機器學習的VoIP流量識別。文獻[2]最早利用流特征進行流量分類，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[3]針對數(shù)據(jù)流中一段時間內(nèi)的數(shù)據(jù)包長和包時間間隔，統(tǒng)計其分布范圍、均值、中值與方差等特征作為VoIP流量識別的依據(jù)。上述文獻識別精度不高，基于流特征的識別方法對不同類型的網(wǎng)絡(luò)流量適應性也較低?；跈C器學習的識別方法主要集中于離線識別，對于在線VoIP流量識別的研究并不多[4-7]。文獻[4]實現(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[5]改進了支持向量機算法，能夠節(jié)省1/4的識別時間，但仍然無法滿足在線識別的實時性要求。文獻[6]基于流統(tǒng)計特征，利用機器學習算法構(gòu)建分類器模型，系統(tǒng)在線識別精度為93%。其不足之處在于，沒有研究在線識別系統(tǒng)的實時性，并不是真正意義上的在線識別。文獻[7]基于開源數(shù)據(jù)挖掘工具WEKA中的機器學習算法，針對特定應用Skype提出并設(shè)計出一種基于決策理論的識別工具，然而只能達到82%的精度，無法滿足大流量環(huán)境下的高精度識別。從目前的研究成果來看，在線識別的難點主要在兩方面：一是無法滿足較高實時性要求，二是無法實現(xiàn)高精度識別。

　　針對以上問題，本文設(shè)計了VoIP流量在線識別系統(tǒng)，不僅能實現(xiàn)實時在線識別，且識別精度高達到92%。

1 VoIP流量在線識別系統(tǒng)

　　本文所設(shè)計的系統(tǒng)中，數(shù)據(jù)流定義為兩個主機之間交換的連續(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)建訓練集的過程需對數(shù)據(jù)包進行分流，根據(jù)思科分流定義，單條TCP流須包含完整語義的開始時刻（SYN）和結(jié)束時刻（FIN/RST），UDP流中兩個包之間的時間間隔不超過30 s[8]。

　　1.1 在線識別系統(tǒng)原理

　　在線識別系統(tǒng)分為離線分類器建模和在線識別。其中，離線分類器建模如圖1所示，預處理模塊對PCAP文件格式的數(shù)據(jù)集進行分流，并轉(zhuǎn)化為WEKA工具所能識別的CSV文件格式，同時統(tǒng)計每個數(shù)據(jù)流的流特征構(gòu)建成訓練集。算法學習模塊采用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)用機器學習算法對訓練集進行學習并搭建分類器模型。最后，通過相關(guān)指標評估獲得最優(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)計的在線識別系統(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，同時分流模塊對數(shù)據(jù)包分流并統(tǒng)計流特征。設(shè)定流量累積時間，每次達到閾值時間30 s，將統(tǒng)計好的數(shù)據(jù)流作為測試集送入離線狀態(tài)下構(gòu)建好的分類器進行識別，并將識別出的VoIP流量以IP地址的形式輸出到系統(tǒng)界面，動態(tài)顯示網(wǎng)絡(luò)中VoIP電話狀態(tài)。

圖2  在線識別系統(tǒng)

　　1.2 預處理模塊

　　預處理模塊在離線狀態(tài)進行，為系統(tǒng)搭建分類器提供完整訓練集。該模塊包括獲取數(shù)據(jù)集、文件格式轉(zhuǎn)換與分流統(tǒng)計構(gòu)建訓練集。

　　1.2.1 獲取數(shù)據(jù)集

　　使用Wireshark軟件抓取PC中運行的特定應用類型流量獲取數(shù)據(jù)集，通過配置交換機鏡像端口將抓取單個PC產(chǎn)生的流量擴展為整個局域網(wǎng)產(chǎn)生的流量。同時使用文獻[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)同時具備PC-PC端與PC-PHONE端VoIP電話的識別能力。

　　1.2.2 文件格式轉(zhuǎn)換

　　Wireshark軟件數(shù)據(jù)包的存儲格式為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。預處理模塊通過分析PCAP文件頭信息，編程實現(xiàn)五元組、時間戳及數(shù)據(jù)包長等流特征信息的提取，并轉(zhuǎn)換為WEKA能識別的CSV文件格式。

　　1.2.3 分流統(tǒng)計構(gòu)建訓練集

　　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)包進行分流，利用文獻[2]提供的fullstats分流器，在Linux系統(tǒng)中實現(xiàn)分流。完成數(shù)據(jù)包分流后，統(tǒng)計數(shù)據(jù)流的相關(guān)流特征，并將統(tǒng)計后的數(shù)據(jù)流作為最終訓練集。

　　1.3 流特征選擇

　　文獻[2]提出了249種流特征，若對每個特征進行統(tǒng)計，將耗費大量的計算時間，成本過高，且并不是所有流特征都適用于VoIP流量識別，因此需要去除不相關(guān)且冗余的流特征，以達到提高模型精確度，減少運行時間的目的。本設(shè)計根據(jù)VoIP語音電話特有的通信屬性對其進行初步篩選，得出20個候選流特征再進行特征選擇。特征選擇首先從候選特征集中產(chǎn)生一個特征子集，然后用評價函數(shù)對該特征子集進行評價，將評價的結(jié)果與停止準則進行比較，若評價結(jié)果比停止準則好就停止，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）算法進行評估，得到12個相關(guān)性最好、得分最高的特征子集，如表1所示。

　　1.4 機器學習算法

　　本文著重研究C4.5決策樹算法，為增強系統(tǒng)可擴展性，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)點和葉子節(jié)點組成，內(nèi)部節(jié)點代表一個特征屬性，葉子節(jié)點代表一個類別[10]。算法的處理過程分為以下幾個步驟：首先，計算數(shù)據(jù)集D的經(jīng)驗熵H(D)，熵是一種不純度度量準則：

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

　　進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立假設(shè)的分類方法。對于給定的訓練集，首先基于特征條件獨立假設(shè)學習輸入/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。其學習策略是間隔最大化，可形式化為一個求解凸二次規(guī)劃的問題，也等價于正則化的合頁損失函數(shù)的最小化問題。

　　1.5 在線識別——JPcap邊抓包邊檢測機制

　　在線識別的關(guān)鍵技術(shù)是實現(xiàn)在線抓包同時短時間內(nèi)識別出目標流量。本文致力于尋找一個能實現(xiàn)Window系統(tǒng)下在線抓包的工具，而JPcap庫正是實現(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邊抓包邊檢測機制，基于JPcap庫編寫探嗅器實現(xiàn)在線抓包。利用JPcap庫所抓取的數(shù)據(jù)包對象是單個數(shù)據(jù)包。因此，系統(tǒng)在抓包的同時能實現(xiàn)對單個數(shù)據(jù)包按五元組分流并統(tǒng)計其流特征。每當統(tǒng)計時間達到所設(shè)置的閾值時間30 s時，便將這段時間內(nèi)統(tǒng)計好的數(shù)據(jù)流作為測試集送入分類器進行識別，輸出識別的VoIP流IP地址，動態(tài)顯示網(wǎng)絡(luò)中VoIP的狀態(tài)，實現(xiàn)真正意義上的VoIP流量實時在線識別系統(tǒng)。

2 實驗結(jié)果與分析

　　實驗環(huán)境：新西蘭懷卡托大學基于Java開發(fā)的開源數(shù)據(jù)挖掘平臺weka3.6、一臺裝有Windows 7操作系統(tǒng)和Eclipes的個人PC、一臺華為S5000交換機。

　　2.1 評價指標

　　評價二分類類型的分類器性能指標為：精度（precision）、召回率（recall）、F1值。實驗以VoIP類為正類，非VoIP類為負類，分類器在測試集上預測結(jié)果為正確或錯誤?？赡艹霈F(xiàn)的4種情況記：TP，將正類預測為正類數(shù)；FN，將正類預測為負類數(shù)；FP，將負類預測為正類數(shù)；TN，將負類預測為負類數(shù)。進一步，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 實驗數(shù)據(jù)

　　本次實驗使用1.5G Skype流，包含了Skype 10個版本，共計1 371條流，其中371條為PC-PHONE端VoIP流量。非VoIP流量1G，使用文獻[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。整個訓練集共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，步驟包括打開訓練集文件、選擇機器學習算法、建模，圖中所示J48即C4.5決策樹算法，結(jié)果框為分類器識別結(jié)果，具體如圖4所示。

圖3  系統(tǒng)識別結(jié)果

圖4  分類器識別結(jié)果

　　實驗使用10折交叉驗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，反對角線表示被錯誤分類的樣本數(shù)，結(jié)果顯示有2個非VoIP樣本被分類成VoIP類，6個Skype樣本被分類成非VoIP類。實驗結(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。由于本文針對VoIP流包長、時間間隔等關(guān)鍵屬性對流特征進行篩選，增強了機器學習算法的學習能力，從而使得分類器識別性能大大提高。

　　同樣地，對NaiveBayes和SVM算法分別進行實驗，3個算法搭建的分類器識別結(jié)果對比圖如圖5所示?？芍?，基于C4.5決策樹算法分類器的3個評價指標均最高。這是因為C4.5決策樹算法建模時不依賴于網(wǎng)絡(luò)流量類型的分布，對于不同類型的流量數(shù)據(jù)有更強的適應能力，在分析較大訓練集時優(yōu)于依賴先驗概率的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 在線分類器識別結(jié)果分析

　　在線識別如圖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，同時對數(shù)據(jù)包進行分流并統(tǒng)計流特征。每達到設(shè)定的30 s閾值時，選擇對應算法的分類器對測試集進行在線識別，識別出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IP地址均為VoIP通話主機地址，結(jié)果表明系統(tǒng)實時準確識別出了當前網(wǎng)絡(luò)中的VoIP通話。

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

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

　　結(jié)合表3、表4的結(jié)果對精度與實時性指標進行分析，得到C4.5決策樹算分類器識別精度最高，且在線實時性最好；NaiveBayes分類器雖然建模時間短，但在線實時性略差，且精度較低；SVM分類器精度與實時性均不佳。在實際應用中應同時保證高識別精度與實時性，因此本文選擇C4.5決策樹為系統(tǒng)的核心算法。實驗結(jié)果表明，本文所設(shè)計的VoIP流量在線識別系統(tǒng)確實能同時滿足高精度與實時性。

3 結(jié)束語

　　本文設(shè)計并實現(xiàn)了基于機器學習的VoIP流量在線識別系統(tǒng)，在大幅提高VoIP流量識別精度的同時保證了系統(tǒng)的實時性，且有良好可視化界面。實驗結(jié)果表明，本文所設(shè)計的VoIP流量在線識別系統(tǒng)離線識別精度達99.9%，在線識別精度達92%，且識別時間短，能夠快速識別出目標流量并顯示VoIP流量活動的IP地址。不過，本文的訓練集未能涵蓋更多種類的流量類型，對未知流量識別仍有待提高。未來的工作旨在建立一種更優(yōu)化的在線識別系統(tǒng)，繼續(xù)增強樣本容量，增加更多種類的流量類型并支持更多的算法。

　　參考文獻

　　[1] 梁偉，陳福才，李海濤.一種基于C4.5決策樹的VoIP流量識別方法[J].計算機應用研究，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流量識別[J].軟件學報，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流量識別[J].軟件學報，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)計學習方法[M].北京：清華大學出版社，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[D].南京：南京林業(yè)大學，2010.