引言

隨著計算機和網(wǎng)絡技術的發(fā)展，網(wǎng)絡環(huán)境變得日益復雜［1］,，網(wǎng)絡攻擊事件頻發(fā),，使得網(wǎng)絡的安全性測試和評估尤為重要。在網(wǎng)絡攻擊方式不斷演變之下,，人工智能的發(fā)展使得網(wǎng)絡的攻擊和防御進入了一種新的態(tài)勢［2］,，導致傳統(tǒng)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(wǎng)絡性能、檢測網(wǎng)絡潛在的風險和優(yōu)化應用程序,，防止網(wǎng)絡攻擊事件的發(fā)生,。

現(xiàn)有網(wǎng)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(wǎng)絡流量，常用于網(wǎng)絡帶寬的測試,，例如 Iperf2［4］,；回放生成器，重放之前捕獲的網(wǎng)絡流量,，如 TCPReplay［5］,；隨機模型生成器，利用隨機模型來模擬網(wǎng)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(tài)地修改數(shù)據(jù)包內(nèi)容,，可以生成任意類型的數(shù)據(jù)包,，如 Moongen［7］和 Scapy［8］,；特定場景生成器，對特定應用程序?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)絡流量,，不過這需要用戶首先對采集到的數(shù)據(jù)設定一個統(tǒng)計模型，或者利用統(tǒng)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(shù)據(jù)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(jīng)網(wǎng)絡在擬合隨機模型上有著天然的優(yōu)勢,，可以利用在真實網(wǎng)絡中采集的流量數(shù)據(jù)，擬合對應數(shù)據(jù)的統(tǒng)計分布,。而生成對抗神經(jīng)網(wǎng)絡 (Generative Adversarial Networks,，GAN)［9］已經(jīng)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(xiàn)有網(wǎng)絡流量生成方法的研究,，基于統(tǒng)計的流量生成方法如圖1所示,，首先在真實網(wǎng)絡中采集一段數(shù)據(jù)，然后提取需要生成的網(wǎng)絡流量的特征,；將數(shù)據(jù)經(jīng)過預處理,，得到神經(jīng)網(wǎng)絡的輸入數(shù)據(jù),，使用一種或多種統(tǒng)計模型進行擬合訓練，利用擬合后的模型生成網(wǎng)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(fā)送到模擬的網(wǎng)絡環(huán)境中，用以測試網(wǎng)絡環(huán)境,，或者研究網(wǎng)絡用戶的行為,。

本文詳細內(nèi)容請下載：

http://forexkbc.com/resource/share/2000006045

作者信息：

康未，李維皓,，劉桐菊

（華北計算機系統(tǒng)工程研究所,，北京100083）