《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.jysgc.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: 免费传媒网站免费| 美女跪下吃j8羞羞漫画| 男女一进一出猛进式抽搐视频| 无限资源日产好片| 国产成人久久777777| 九月婷婷人人澡人人添人人爽| 色欲综合久久中文字幕网| 日韩国产欧美精品在线| 国产玉足榨精视频在线观看| 久久久久久久久蜜桃| 阿v视频免费在线观看| 日本欧美视频在线观看| 国产成人高清视频免费播放| 乱人伦人妻精品一区二区| 美女福利视频一区| 怡红院免费手机在线观看| 午夜精品福利在线观看| 亚洲va韩国va欧美va| 51视频国产精品一区二区| 欧美亚洲777| 国产卡一卡二卡乱码三卡| 中文乱码字字幕在线第5页| 男人边做边吃奶头视频| 国产在线激情视频| 一级一级18女人毛片| 污污视频在线免费观看| 国产一级做a爰片在线看| 一区二区三区中文字幕| 永久黄网站色视频免费| 国产男女爽爽爽爽爽免费视频| 一本一道dvd在线观看免费视频| 最近中文字幕国语免费完整| 国产v在线播放| a级毛片免费观看网站| 日本午夜在线视频| 免费的三级毛片| 1024在线播放| 日本在线视频www色| 亚洲最大视频网站| 豪妇荡乳1一5白玉兰免费下载| 好男人社区www在线观看|