本文介绍了使用深度学习检测TOR流量的方法，通过分析流量包的时序信息和传输速率，建立隐马尔科夫模型（HMM）及深度前馈神经网络（FFN）。实验表明，FFN在检测TOR流量时表现出高召回率和精准率，尤其在减少非TOR类的假阳性方面效果显著。相比于传统方法，深度学习模型在大型数据集上更具优势，适用于检测匿名流量。
from：https://www.jiqizhixin.com/articles/2018-08-11-11
可以通过分析流量包来检测TOR流量。这项分析可以在TOR 节点上进行，也可以在客户端和入口节点之间进行。分析是在单个数据包流上完成的。每个数据包流构成一个元组，这个元组包括源地址、源端口、目标地址和目标端口。
提取不同时间间隔的网络流，并对其进行分析。G.He等人在他们的论文“从TOR加密流量中推断应用类型信息”中提取出突发的流量和方向，以创建HMM（Hidden Markov Model，隐马尔科夫模型）来检测可能正在产生那些流量的TOR应用程序。这个领域中大部分主流工作都利用时间特征和其他特征如大小、端口信息来检测TOR流量。
我们从Habibi等人的“利用时间特征来发现TOR流量的特点”论文中得到启发，并遵循基于时间的方法提取网络流，用于本文TOR流量的检测。但是，我们的架构使用了大量可以获得的其他元信息，来对流量进行分类。这本质上是由于我们已经选择使用深度学习架构来解决这个问题。
四、数据实验-TOR流量检测
为了完成本文的数据实验，我们从纽布伦斯威克大学的Habibi Lashkari等人[11]那里获取了数据。他们的数据由从校园网络流量分析中提取的特征组成。从数据中提取的元信息如下表所示：
最低0.47元/天 解锁文章
扫一扫
735
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
