基于流的时间相关特征的VPN加密流量识别

随着网络流量规模和来源的增加,对网络流量监控和分析的挑战也随之增加,尤其是对加密流量进行识别的问题,该挑战性问题在于如何对加密流量不解密的情况下直接识别加密流量。因此,针对加密流量识别问题,本文提出了一种基于流的时间相关特征的VPN加密流量识别方法。通过设置2个实验场景,实现了加密流量与非加密流量的识别,并根据流的类型将加密流量划分为不同的类别,在识别出加密流量的基础上又实现了应用识别和服务类型的识别。最后在公开数据集ISCXVPN2016上利用不同的机器学习算法进行了对比实验,实验结果表明:使用较短的流超时值可以提高识别准确率,在流超时值为15 s时结果最优。上述实验结果也证明了时间相关特征是表征加密流量和VPN流量的良好分类准则。

基于分段熵分布的VPN加密流量检测与识别方法

为加强对VPN加密流量的有效监管,提高网络监管的效率效果,针对VPN加密流量报文信息缺失,流量特征混淆的特点,文章提出了一种基于分段熵分布的VPN加密流量检测与识别方法。该方法利用滑动窗口方法对VPN加密报文序列高熵、低熵区域进行划分,并以此作为流量特征,使用胶囊神经网络模型实现VPN加密流量的精准检测与识别。不同于现有的基于机器学习的加密流量检测方法,该方法针对VPN加密流量本身特性进行研究,具有方法的普适性。实验与对比分析证明,该方法识别准确率达99.87%,可以用于VPN加密流量检测识别。

安全高效的校园网建设

网络时代的到来使得安全问题成为一个迫切需要解决的问题;病毒、黑客以及各种各样漏洞的存在,安全任务在网络时代变得无比艰巨。本文主要从用户的角度分析了目前在网络中常用的网络安全技术。