摘要: 随着移动互联网的快速发展和应用，移动应用程序成为人们进行移动办公、社交活动以及网络购物的重要载体。通过流量识别移动设备上安装的应用程序是网络管理员和营销机构等获取信息的重要手段。识别移动应用流量可以为移动互联网流量的配置部署提供支... 展开 随着移动互联网的快速发展和应用，移动应用程序成为人们进行移动办公、社交活动以及网络购物的重要载体。通过流量识别移动设备上安装的应用程序是网络管理员和营销机构等获取信息的重要手段。识别移动应用流量可以为移动互联网流量的配置部署提供支持，改善基于业务或者应用的细粒度移动网络资源分配，增强移动网络和应用程序的安全性。 由于移动应用程序的多样性以及加密协议的大量使用，传统流量识别技术不能很好地适用于移动端的流量。目前，许多研究将机器学习方法应用于识别移动应用流量，但这种方法存在着一些挑战。首先，机器学习在处理不平衡的流量数据集时，容易产生偏差；其次，移动应用流量的特征难以提取，模型训练存在难度。本文针对以上问题，主要的研究工作分为3个部分： 第一，对移动应用流量进行了分析，并针对流量分布不平衡这一特点，通过实验验证了SMOTE+ENN样本平衡方法在流量识别领域的可行性和高效性。 第二，提出了识别移动应用流量的方法。其中APP流量特征模型的构建过程包括：自建流量数据集；设定流量处理环节中的突发阈值；提出多特征融合的特征提取方案；并将SMOTE+ENN与随机森林相结合来对流量样本进行训练。最后通过对比实验验证了本文方法得到的识别准确率达到96%。 第三，设计并实现的轻量级移动应用流量识别系统，具有实时检测和离线识别功能，能够将捕获到的真实应用流量进行流量处理和特征提取，识别出流量来自哪款应用程序。 收起