基于半监督深度学习的网络恶意加密流量识别方法

摘　要

针对 TLS 恶意流量识别方法存在大量标记样本获取困难、无标记样本没有充分利用、模型对于未知样本识别率较低等问题，提出基于半监督深度学习的网络恶意加密流量识别方法。该方法能够利用大量未标记网络流量用于模型训练，提升分类模型的泛化能力。该方法首先借助网络流量图片化方法将原始流量 PCAP 转换为灰度图，然后借助 FixMatch 框架对实现少标记样本下恶意流量进行识别。在公开数据集 CTU-Malware-Capture 和 USTC－TFC2016 上对模型训练和测试，结果表明：FixMatch 模型在准确率、精确度、召回率和 F1值这 4 个指标上均优于 PseudoLabel、MixMatch 和 ICT 方法。此外，在少标记样本量情况下，FixMatch 模型对恶意加密流量的识别优势更为明显。

内容目录：

1　相关知识

1.1　卷积神经网络

1.2　一致性正则化

1.3　相关半监督深度学习算法

2　基于 FixMatch 的 TLS 网络恶意流量识别方法

2.1　网络流量图片化

2.2　构建 FixMatch 的 TLS 网络恶意流量识别模型

3　实验结果及分析

3.1　实验环境与数据集

3.2　评价指标

3.3　模型参数设置

3.4　实验结果及分析

4　结　语

中国互联网信息中