利⽤神经⽹络进⾏⽹络流量识别——特征提取的⽅法是（1）直接原始报⽂提取前24字节，24个报。
国外的⽂献汇总：《Network Traffic Classification via Neural Networks》使⽤的是全连接⽹络，传统机器学习特征⼯程的技术。
top10特征如下：List of AttributesPort number server Minimum segment size client→server First quartile of number of control bytes in each packet client→server Maximum number of bytes in IP packets server→client Maximum number of bytes in Ethernet package server→client Maximum segment sizeserver→client Mean segment size server→client Median number of control bytes in each packet bidirectional Number of bytes sent in initial window client→server Minimum segment size server→clientTable 7: Top 10 attributes as determined by connection weights《Deep Learning for Encrypted Traffic Classification: An Overview》2018年⽂章，⾥⾯提到流量分类技术的发展历程：案例：流量识别流量识别任务（Skype, WeChat, BT等类别）1. 最简单的⽅法是使⽤端⼝号。
但是，它的准确性⼀直在下降，因为较新的应⽤程序要么使⽤众所周知的端⼝号来掩盖其流量，要么不使⽤标准的注册端⼝号。
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910324684.3(22)申请日 2019.04.22(71)申请人 中国科学院声学研究所地址 100190 北京市海淀区北四环西路21号申请人 北京中科视云科技有限公司(72)发明人 曾学文 唐政治 郭志川 吴京洪 (74)专利代理机构 北京方安思达知识产权代理有限公司 11472代理人 陈琳琳 杨青(51)Int.Cl.H04L 29/06(2006.01)(54)发明名称一种区分加密和非加密压缩流量的方法和系统(57)摘要本发明属于网络流量数据分类技术领域，具体涉及一种区分加密和非加密压缩流量的方法，该方法包括：采集并获取网络中的网络流量数据包；解析该数据包得到网络流量数据包的有效载荷，截取固定长度的有效载荷作为待识别分类的样本序列；基于熵的特征提取算法提取所述待识别分类的样本序列的特征向量；将所述特征向量输入至预先训练好的机器学习模型进行识别分类，获取该网络流量数据包的类型，该网络流量数据包的类型包括：加密流量、非加密流量和非加密压缩流量。
权利要求书2页 说明书7页 附图1页CN 110012029 A 2019.07.12C N 110012029A1.一种区分加密和非加密压缩流量的方法，其特征在于，该方法包括：采集并获取网络中的网络流量数据包；解析该数据包得到网络流量数据包的有效载荷，截取固定长度的有效载荷作为待识别分类的样本序列；基于熵的特征提取算法提取所述待识别分类的样本序列的特征向量；将所述特征向量输入至预先训练好的机器学习模型进行识别分类，获取该网络流量数据包的类型，该网络流量数据包的类型包括：加密流量、非加密流量和非加密压缩流量。
2.根据权利要求1所述的区分加密和非加密压缩流量的方法，其特征在于，所述截取固定长度的有效载荷作为待识别分类的样本序列；具体包括：根据计算量和识别精度，截取有效载荷的固定长度；并将该固定长度的有效载荷作为待识别分类的样本序列；其中，对当前获得的网络流量数据包的有效载荷不足以设定固定长度的情况，可由下一个网络流量数据包中的有效载荷填充或者填充零，来截取有效载荷的固定长度。
电力信息通信网络流量识别技术研究
姜羽;华俊;胡静;宋铁成;刘世栋;郭经红
【期刊名称】《信息化研究》
【年(卷),期】2015(0)1
【摘要】文章概述了网络流量识别技术的基本原理和发展现状,通过分析和比较基于端口映射、基于有效负载、基于行为特征和基于机器学习的4种网络流量识别方法,得出基于机器学习的流量识别方法更加适用于电力信息通信网,并着重分析了两种基于机器学习的流量识别方法:C4.5决策树算法和神经网络算法。
分析结果表明:C4.5决策树算法和神经网络算法都能有效地进行网络流量识别。
【总页数】6页(P10-14)
【关键词】电力信息通信网;网络流量识别;机器学习;C4.5算法;神经网络算法【作者】姜羽;华俊;胡静;宋铁成;刘世栋;郭经红
【作者单位】东南大学信息科学与工程学院;中国电力科学研究院信息通信研究所【正文语种】中文
【中图分类】TP393.06
【相关文献】
1.“电力信息通信网络流量预测和管道智能化关键技术研究及其应用”等项目启动[J],
2.电力信息通信网络流量识别技术探讨 [J], 马桂岩;吴海军;
3.电力信息通信网络流量识别技术探讨 [J], 马桂岩;吴海军
4.电力信息通信网络流量识别技术分析 [J], 王阳;朱兵;
5.电力通信网络中的信息通信技术研究 [J], 刘军伟; 苗晶晶
因版权原因，仅展示原文概要，查看原文内容请购买。
DPI深度包检测技术基本解释DPI技术，即DPI(Deep Packet Inspection)深度包检测技术是一种基于应用层的流量检测和控制技术，当IP数据包、TCP或UDP数据流通过基于DPI技术的带宽管理系统时，该系统通过深入读取IP包载荷的内容来对OSI七层协议中的应用层信息进行重组，从而得到整个应用程序的内容，然后按照系统定义的管理策略对流量进行整形操作。
基于DPI 技术的带宽管理解决方案与我们熟知的防病毒软件系统在某些方面比较类似，即其能识别的应用类型必须为系统已知的，以用户熟知的BT为例，其Handshake的协议特征字为“。
BitTorrent Protocol”；换句话说，防病毒系统后台要有一个庞大的病毒特征数据库，基于DPI 技术的带宽管理系统也要维护一个应用特征数据库，当流量经过时，通过将解包后的应用信息与后台特征数据库进行比较来确定应用类型；而当有新的应用出现时，后台的应用特征数据库也要更新才能具有对新型应用的识别和控制能力。
重要应用深度数据包检测(DPI)是一项已经在流量管理、安全和网络分析等方面获得成功的技术，同时该技术能够对网络数据包进行内容分析，但又与header或者基于元数据的数据包检测有所不同，这两种检测通常是由交换机、防火墙和入侵检测系统/IPS设备来执行的。
通常的DPI解决方案能够为不同的应用程序提供深度数据包检测。
只针对header的处理限制了能够从数据包处理过程中看到的内容，并且不能够检测基于内容的威胁或者区分使用共同通信平台的应用程序。
DPI能够检测出数据包的内容及有效负载并且能够提取出内容级别的信息，如恶意软件、具体数据和应用程序类型。
随着网络运营商、互联网服务提供商(ISP)以及类似的公司越来越依赖于其网络以及网络上运行的应用程序的效率，管理带宽和控制通信的复杂性以及安全的需要变得越来越重要。
DPI恰好能够提供这些要求，寻求更好的网络管理以及合规的用户企业应该把DPI作为一项重要的技术。
