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.
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）
