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(wú)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(chǎng)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(lái)模擬網(wǎng)絡(luò)流量的特征，如 Harpoon［6］；腳本生成器，允許用戶(hù)編寫(xiě)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(lèi)型的數(shù)據(jù)包，如 Moongen［7］和 Scapy［8］；特定場(chǎng)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(guò)這需要用戶(hù)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(guò)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(guò)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(hù)的行為。

本文詳細(xì)內(nèi)容請(qǐng)下載：

http://www.rjjo.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）