摘要: 随着移动互联网的飞速发展，网络短视频应用的增长尤为迅猛。合理的网络流量配置管理是网络运营的重要组成部分，音视频流量识别成为近年来学术界和工业界的研究热点。在这其中，SSL/TLS加密的音视频应用日趋复杂，准确的流量识别与分类对进行有效的网... 展开 随着移动互联网的飞速发展，网络短视频应用的增长尤为迅猛。合理的网络流量配置管理是网络运营的重要组成部分，音视频流量识别成为近年来学术界和工业界的研究热点。在这其中，SSL/TLS加密的音视频应用日趋复杂，准确的流量识别与分类对进行有效的网络管理和资源利用具有至关重要的作用。本文以流量特征分析为基础，使用机器学习和深度学习对音视频领域的应用识别研究做出改进和创新。 针对音视频流的特征分析，本文提出了一种基于改进ReliefF和ACO算法的半监督特征选择算法（SRR-LSA）。改进的ReliefF算法改善了原ReliefF算法仅对单个特征进行重要度评估的局限，可以做到快速对特征进行降维，并对改进ACO算法提供良好的先验知识。在进行特征提取时，候选特征通过ReliefF算法后被随机组合进行权重计算后，算法通过斯皮尔曼相关系数做关联分析来初步消除冗余特征。改进ACO算法通过不断搜索特征空间寻找最优特征子集，每次迭代完成后的信息素更新步骤相比原ACO算法引入LS特征值进行二次相关性分析；针对SSL/TLS加密音视频应用识别，本文提出了一种针对加密流量和非加密流量融合识别框架。对于非加密流量，本文采用基于流集合的贝叶斯分类，将流量数据进行关联分类生成的流集合数据作为输入数据集。对于加密流量，本文提出了一种用于深度学习识别加密流量的特征工程和定长时序包组合的模型输入，单个数据包特征向量除了一些标识流的特征和数据包头部信息外，新增了应用层数据的前60个字节，数据包向量组为5个数据包特征组成的序列。然后，本文使用CNN学习空间特征，使用LSTM学习时序特征，模型对非加密模块和加密模块的输出概率进行加权计算得出最终概率估计。实验结果显示，所述特征选择算法能够有效降低特征子集复杂度，实现较好的分类效果，所述融合识别框架具有较好的分类性能和泛化能力。 收起