[發明專利]基于機器學習的移動應用流量識別方法及系統

在審

• 申請號: 202210134214.2
• 申請日: 2022-02-14
• 公開（公告）號: CN114500387A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 陳龍;湯婷婷;韓世凱
• 申請（專利權）人: 重慶郵電大學
• 主分類號: H04L47/125
• 分類號: H04L47/125;H04L47/2441;H04L47/2483;H04L69/22;G06N3/00;G06N20/00
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 廖曦

本發明涉及一種基于機器學習的移動應用流量識別方法及系統，屬于流量識別領域。所述方法包括：流量采集階段、流量處理階段、特征提取階段、流量標記階段、流量平衡階段、模型訓練階段；所述系統包括：流量監聽模塊、流量處理模塊、流量展示模塊、特征提取模塊、特征展示模塊、應用識別模塊、結果展示模塊。本發明提出了多特征融合的特征提取方案，提升了信息豐富度，優化了模型訓練效果，分類準確性得到提升；設計出SMOTE+ENN樣本平衡算法與隨機森林算法相結合的模型訓練方式，使得少數類樣本的誤分率降低，提高了分類器的分類識別能力。

技術領域

本發明屬于流量識別領域，涉及基于機器學習的移動應用流量識別方法。

背景技術

移動應用流量的特殊性給傳統的流量識別方法帶來了很大的挑戰。首先，移動通信幾乎都是通過HTTP/HTTPS傳輸的，這使得基于端口識別的傳統方法只能將移動流量識別為Web，無法識別出流量來自哪個具體的應用程序。其次，基于DPI(深度報文檢測技術)的傳統方法是通過識別數據包的有效負載來識別流量，如今，為了保護用戶的隱私，很多應用程序使用加密協議進行數據的傳輸，DPI技術就沒有辦法有效的滿足實際應用需求。基于以上原因，傳統的流量識別方法不適用于移動應用流量的識別處理。

基于機器學習的移動應用流量識別方法，不需要掌握各種協議數據流的包結構，它們通過學習不同應用數據包的某些統計特征，如報文的間隔時間，報文大小，流持續時間等形成分類器來識別移動應用流量。加密技術一般只對載荷信息進行加密而不是對流量特征進行處理，該方法受加密影響較小。

發明內容

有鑒于此，本發明的目的在于提供一種基于機器學習的移動應用流量識別方法。可以解決移動應用流量類別分布不平衡的問題，提高分類器的分類識別能力，有效保證移動應用流量識別的準確率；提出的輕量級移動應用流量識別系統，能夠將捕獲到的真實流量，無論這些流量是加密還是未加密的，分析處理，自動地提取相應的統計特征，與APP流量特征庫進行匹配，識別出流量來自哪個應用程序。

為達到上述目的，本發明提供如下技術方案：

基于機器學習的移動應用流量識別方法，該方法包括以下步驟：

S1：流量采集階段：采集相應的APP流量，制作訓練模型所需的流量數據集；

S2：流量處理階段：對采集到的數據包，進行流量數據的預處理；

S3：特征提取階段：提取流量數據的37個特征值，用于模型的訓練；

S4：流量標記階段：為每條特征流量標記真實的應用類別；

S5：流量平衡階段：處理類別分布不平衡的應用流量問題；

S6：模型訓練階段：將特征樣本分類訓練，構建APP流量特征庫。

可選的，所述S1具體包括：

S11：手機獲取并運行APK文件，同時連接PC端熱點；

S12：PC端開啟wireshark，采集來自手機的移動應用流量；

S13：采集目標應用時，在手機終端只運行此應用程序，并且關閉手機系統帶有的程序后臺運行功能，禁止后臺運行，以防止有其他應用以及安卓操作系統產生的后臺流量帶來干擾；

S14：每個應用采集的流量數據以后續生成的特征數據量為依據，采集目標為：采集到的流量經過流量處理和生成特征后，特征數據量能達到3000左右；

S15：采集的數據集中，記錄著每一個數據包詳細信息，包括：時間、數據包大小、源IP地址、目的IP地址、源端口、目的端口、協議和TCP/IP標志；

S16：在采集數據后，應用流量以pcap格式轉儲在本地。

可選的，所述步驟S2具體包括：