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://m.xxav2194.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）