《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的流量生成方法研究
基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的流量生成方法研究
網(wǎng)絡(luò)安全與數(shù)據(jù)治理
康未，李維皓，劉桐菊
華北計(jì)算機(jī)系統(tǒng)工程研究所
摘要： 網(wǎng)絡(luò)仿真中的流量生成對(duì)于確保仿真效果至關(guān)重要。目前常見的網(wǎng)絡(luò)流量生成器通常基于某種隨機(jī)模型，生成的流量只能服從指定的隨機(jī)分布。實(shí)際網(wǎng)絡(luò)中的隨機(jī)模型往往難以確定，導(dǎo)致現(xiàn)有模型對(duì)真實(shí)網(wǎng)絡(luò)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(duì)抗神經(jīng)網(wǎng)絡(luò)的時(shí)空相關(guān)流量生成模型；對(duì)網(wǎng)絡(luò)流量數(shù)據(jù)改進(jìn)了其編碼方式，并使用 Z-score 處理流量數(shù)據(jù)，使數(shù)據(jù)趨于標(biāo)準(zhǔn)正態(tài)分布；提出了一種網(wǎng)絡(luò)流量時(shí)空相關(guān)性的度量方法。實(shí)驗(yàn)結(jié)果表明，相較于現(xiàn)有的基線生成方式，所提出的方法在真實(shí)性和相關(guān)性的度量上平均提高了9%。
中圖分類號(hào)：TP309文獻(xiàn)標(biāo)識(shí)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(duì)抗神經(jīng)網(wǎng)絡(luò)的流量生成方法研究［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)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(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的發(fā)展，網(wǎng)絡(luò)環(huán)境變得日益復(fù)雜［1］，網(wǎng)絡(luò)攻擊事件頻發(fā)，使得網(wǎng)絡(luò)的安全性測(cè)試和評(píng)估尤為重要。在網(wǎng)絡(luò)攻擊方式不斷演變之下，人工智能的發(fā)展使得網(wǎng)絡(luò)的攻擊和防御進(jìn)入了一種新的態(tài)勢(shì)［2］，導(dǎo)致傳統(tǒng)的測(cè)試方法無法應(yīng)對(duì)當(dāng)前的需求。在此背景之下，亟需一種能夠模擬真實(shí)場景的流量生成工具，以評(píng)估網(wǎng)絡(luò)性能、檢測(cè)網(wǎng)絡(luò)潛在的風(fēng)險(xiǎn)和優(yōu)化應(yīng)用程序，防止網(wǎng)絡(luò)攻擊事件的發(fā)生。

現(xiàn)有網(wǎng)絡(luò)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(wǎng)絡(luò)流量，常用于網(wǎng)絡(luò)帶寬的測(cè)試，例如 Iperf2［4］；回放生成器，重放之前捕獲的網(wǎng)絡(luò)流量，如 TCPReplay［5］；隨機(jī)模型生成器，利用隨機(jī)模型來模擬網(wǎng)絡(luò)流量的特征，如 Harpoon［6］；腳本生成器，允許用戶編寫復(fù)雜的邏輯，動(dòng)態(tài)地修改數(shù)據(jù)包內(nèi)容，可以生成任意類型的數(shù)據(jù)包，如 Moongen［7］和 Scapy［8］；特定場景生成器，對(duì)特定應(yīng)用程序?qū)崿F(xiàn)的流量生成器，高度定制化，很難在其他環(huán)境繼續(xù)使用。其中只有隨機(jī)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(wǎng)絡(luò)流量，不過這需要用戶首先對(duì)采集到的數(shù)據(jù)設(shè)定一個(gè)統(tǒng)計(jì)模型，或者利用統(tǒng)計(jì)方法估計(jì)一個(gè)模型。因此如果設(shè)定的隨機(jī)分布不正確，或者流量數(shù)據(jù)的模型是未知的，那么生成流量就會(huì)不準(zhǔn)確甚至失敗。

深度神經(jīng)網(wǎng)絡(luò)在擬合隨機(jī)模型上有著天然的優(yōu)勢(shì)，可以利用在真實(shí)網(wǎng)絡(luò)中采集的流量數(shù)據(jù)，擬合對(duì)應(yīng)數(shù)據(jù)的統(tǒng)計(jì)分布。而生成對(duì)抗神經(jīng)網(wǎng)絡(luò) (Generative Adversarial Networks，GAN)［9］已經(jīng)在很多領(lǐng)域被廣泛應(yīng)用，如圖像［10］、音頻［11］、視頻［12］等。通過對(duì)現(xiàn)有網(wǎng)絡(luò)流量生成方法的研究，基于統(tǒng)計(jì)的流量生成方法如圖1所示，首先在真實(shí)網(wǎng)絡(luò)中采集一段數(shù)據(jù)，然后提取需要生成的網(wǎng)絡(luò)流量的特征；將數(shù)據(jù)經(jīng)過預(yù)處理，得到神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，使用一種或多種統(tǒng)計(jì)模型進(jìn)行擬合訓(xùn)練，利用擬合后的模型生成網(wǎng)絡(luò)流量在另一個(gè)時(shí)間段的特征；最后再將生成特征組合成的流量，發(fā)送到模擬的網(wǎng)絡(luò)環(huán)境中，用以測(cè)試網(wǎng)絡(luò)環(huán)境，或者研究網(wǎng)絡(luò)用戶的行為。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ihrv.cn/resource/share/2000006045


作者信息：

康未，李維皓，劉桐菊

（華北計(jì)算機(jī)系統(tǒng)工程研究所，北京100083）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。