一种高速网络流识别处理系统的设计与实现

随着骨干网络传输速率不断提高,对高速网络信号分析处理系统的需求十分迫切。骨干网络高速率、大带宽的特点给整个网络空间的管理带来了许多困难。采用五元组定义的网络流作为研究对象,通过理论分析,设计和实现了高速网络流识别处理系统硬件平台,实现网络信号在流层面的分析识别,并根据分析结果执行不同的处理策略,从而为网络流的分类处理提供了依据。     

高速网络流测量及模型研究

网络流测量是网络性能分析和网络流量建模的基础。该文分析了网络流测量的方法及特点,针对高速网络流测量中的关键问题进行了研究,并在此基础上提出了高速网络流测量模型,随后对该模型各组件及相互关系进行了分析,最后通过具体实验分析了模型架构及关键技术的可行性。     

高速网络环境流测量技术比较研究

本文具体分析了目前网络流测量发展的若干方向,阐述了每个方向上具有代表性的算法,讨论了算法的应用范围和背景以及它们存在的优点和不足,提出了高速网络流测量技术的重点、难点和未来的发展方向。     

高速网络流采集系统的设计与实现

针对基于软件的网络流采集系统不能高效处理高速网络流量,以及为了提高采集效率需要同时对多种网络流进行采集的问题,提出一种基于软硬件结合的高速网络流采集框架,探讨在NetFPGA-10G平台实现高速网络流采集系统,称之为HSNTCS。该系统在硬件上通过精确串匹配引擎或正则表达式匹配引擎过滤、分类出所需的多种网络流后,将其传至内核驱动层对应的数据缓冲区,然后直接拷贝至用户空间并存储至对应的数据库。经实验测试,在精确串匹配情况下,用硬件方式实现的高速网络流采集系统的用户数据报协议(UDP)、传输控制协议(TCP)吞吐率都达到1.2Gb/s,约是用软件方式实现的3倍;在正则表达式匹配情况下,用硬件方式实现的高速网络流采集系统的UDP、TCP吞吐率都达到640Mb/s,约是用软件方式实现的3倍。结果表明,相对于软件实现方式,硬件实现具有更高的采集性能。     

高速网络流测量平台WATCH1.0处理器的结构设计

高速网络流测量平台WATCH1.0为基于流的网络行为研究提供了基本的试验条件。本文通过介绍WATCH1.0处理器的结构框架,分析处理器的性能并具体探讨可能出现的瓶颈及其对应的解决方案,进一步明确了未来的研究方向。     

基于DSP的网络传输设计与实现

介绍了TMS320C6416芯片与LAN91C111网卡芯片的硬件接口电路的设计，并将TCP／IP协议嵌入到TMS320C6416芯片中；根据应用的需要对DSP中实现的TCP／IP协议进行了必要的简化，实现了DSP的上网功能。     

面向数据中心网络的高速数据传输技术

数据中心是云计算和大数据应用的基础设施,目前数据中心网络基本都是采用TCP/IP协议并基于以太网技术搭建。随着以太网的提速,TCP/IP协议及其实现方式已经无法适应高速数据传输的需求,成为网络性能进一步增长的瓶颈。在分析了现有数据中心网络的特点以及网络实现的开销和性能之后,文章对多种网络性能优化技术进行了比对和总结,并且分析了下一步的研究方向。     

基于RSVP的高速网络传输

随着因特网的发展,网络应用系统对传输的实时性提出了越来越高的要求,保证关键网络业务的高速传输是迫切需要解决的难题。本文在研究ＲＳＶＰ协议的基础上,分析了 网络协议接口,设计并实现了ｒｓｖｐｄ守护进程和实时ＡＰＩ接口,建立ＲＳＶＰ的高速网络传输测试实验环境,并验证了该网络的实时特性。     

高速网络流频繁项挖掘算法

在当前骨干网络链路速率呈几何倍数增长的情况下,实时准确地挖掘出网络流中的频繁项对于网络管理和网络安全具有重要的意义.在SS(space saving)计数算法的启发之下,针对网络流的实际特性,提出了一种剪枝操作受时间和流长双重约束的网络流频繁项挖掘算法(integrated weighted frequent items mining, IWFIM).IWFIM计数算法采用时间和流长组合赋权的方式为每个流项赋权,且算法每次剪枝操作时总是删除权值最小的流项.在IWFIM算法的基础上,依据网络流的重尾分布特性,又提出了一种能够结合散列方法和计数方法优点的网络流频繁项挖掘算法(counting Blooming filter and integrated weighted frequent items mining, CBF_IWFIM).CBF_IWFIM算法首先采用改进的计数型布鲁姆过滤器(counting Blooming filter, CBF)在不保存网络流信息的情况下过滤掉绝大部分的短流,然后采用IWFIM算法实现网络流频繁项挖掘.通过实际网络流量测试表明,CBF_IWFIM和IWFIM算法具有非常高的空间利用率和准确率,2种算法对于网络流频繁项的挖掘效果明显优于SS等3种算法,即使在使用其他算法1/3缓存的极端情况下,CBF_IWFIM和IWFIM 2种算法的频繁项识别效果仍然要优于SS等算法.     

流异常自动检测网络监控系统的设计

本文设计了一种FAAD（流异常自动检测）网络监控系统，介绍了该系统的功能与结构。在文章的最后，作者讨论了网络流异常的分类及表示方法。     

分布式网络流量生成与测量系统

介绍了一种带有测量支持的网络流量生成系统．该系统采用分布式结构，由一个控制端、多个发送端和接收端组成，具有良好的可扩展性；系统的另一个特性是在生成网络流量的同时能够进行网络性能的实时测量与可视化．分析介绍了系统的组成结构、各功能模块的实现及控制协议．定义了系统测量丢包率和传输时延的算法和公式，并进行了相关讨论，最后给出了流量生成的性能指标．     

10G网络测试仪的测试流量生成

测试流量生成是网络和网络设备性能测试的关键环节之一.鉴于目前国内在高速测试流量生成方面没有一个较好的解决方案,本文设计和实现了10G网络测试仪的测试流量生成与发送系统,该系统用软硬件结合方法生成测试流量,能高速灵活地生成各种测试流量,支持多种流模式,解决了现有流量生成方法存在的问题,最后通过实验分析验证了该系统能正确生成多种测试流量和良好支持多种流模式.     

面向网络流量入侵检测系统的黑盒攻击

基于机器学习的网络流量检测系统是网络安全领域现阶段比较热门的研究方向,但同时网络流量检测系统又受到了巨大挑战,因为攻击样本的生成,使该检测系统对恶意流量的检测性能降低.使用生成对抗网络生成对抗样本,通过在原始恶意流量中加入噪声干扰,即在攻击特征中加入不影响原始流量特性的非定向扰动,来实现扰乱检测模型的判断,从而躲过特征...     

高速网络流量测量方法

高速网络流量测量是目前实施实时准确地监测、管理和控制网络的基础.基于网络流量测量的应用,将网络流量测量分为抽样方法和数据流方法.从不同的层次,将抽样方法分为分组抽样和流抽样,分别介绍了两类抽样方法;从测度角度介绍了数据流方法.详细介绍了高速网络流量测量的常用数据结构,以及抽样、数据流方法在高速网络流量测量中的应用,比较了各种方法的优劣.概述了高速网络流量测量技术的研究进展.最后,就现有的网络流量测量方法的不足,对网络流量测量的发展趋势和进一步的研究方向进行了讨论.     

网络流量监测和管理平台的设计与实现

网络流量的监测是提高网络管理的效率的重要手段之一,通过流量的测量,过滤规则设定和报警系统的设置,从而能够清楚的了解到自治域之间,网络之间流量的情况和趋势.从而更科学的管理和改造网络,提高网络服务和应用效率.本文根据SNMP协议,NetFlow协议和JAVA开发完成了B/S模式的通用动态实时网络流量监测管理系统.     

内核级网络流量监测系统

针对互联网面临的僵尸网络、渗透等恶意威胁,如何确保网络设备的高可靠性、数据的安全性和完整性,是急需解决的问题.本文设计实现了内核级网络流量监测系统,本系统包括流量采集、流量检测、流量统计、防护模块和Web控制台五大模块,实现了流量的捕获和监测均在内核完成,减少了性能开销.使用本系统能够减少服务器遭受恶意流量攻击,为众多...     

基于深度生成对抗网络的恶意TLS流量识别

恶意加密流量识别公开数据集中存在的类不平衡问题,严重影响着恶意流量预测的性能。本文提出使用深度生成对抗网络DGAN中的生成器和鉴别器,模拟真实数据集生成并扩展小样本数据,形成平衡数据集。此外,针对传统机器学习方法依赖人工特征提取导致分类准确度下降等问题,提出一种基于双向门控循环单元BiGRU与注意力机制相融合的恶意流量识别模型,由深度学习算法自动获取数据集不同时序的重要特征向量,进行恶意流量得识别。实验表明,与常用恶意流量识别算法相比,该模型在精度、召回率、F1等指标上都有较好的提升,能有效实现恶意加密流量的识别。     

一个基于实际测试的网络流量模型

网络流量模型是网络性能评价、网络协议设计和网络规划等的基础。本文设计了一种在于实际网络测试的时间相关流量模型的方法,采用该流量模型预测网络流量。文章提出了网络流量预测精度的数学定义。网络测试实验表明,此流量模型具有更高的精度,适用于实际运行的网络环境。     

割边链路故障对网络流量的影响分析

在骨干网络中,几乎每天都会发生链路故障。链路故障会导致流量损失或转移。本文应用概率论方法给出了流量损失时间及转移时间与相应的协议配置及故障特性的量化关系 。研究结果可用来指导协议配置以减少故障对流量的影响。     

基于多神经网络的网络流量预测模型

实现网络QoS控制对于网络管理及维护相当重要,而网络流量预测对于实现网络的QoS控制可以起到十分重要的作用;另外,流量预测在入侵检测中的应用也受到越来越多的关注。网络流量预测极具现实研究意义。对多个神经网络预测模型进行有效的整合,建立了一个基于多神经网络的网络流量预测模型,并用真实的网络流量对该模型进行仿真验证,提高了其预测性能。