基于主成分分析和学习矢量量化的会话初始协议识别研究

doi:10.3969/j.issn.1000-3428.2016.06.022

计算机工程

基于主成分分析和学习矢量量化的会话初始协议识别研究

李进东,王韬,吴杨,雷东

(军械工程学院信息工程系,石家庄 050003)

收稿日期:2015-06-25 出版日期:2016-06-15 发布日期:2016-06-15
作者简介:李进东(1990-),男,硕士研究生,主研方向为网络对抗、信息安全;王韬,教授、博士生导师;吴杨,博士研究生;雷东,硕士研究生。
基金项目:
国家自然科学基金资助项目“分组密码代数旁路攻击技术研究”(61173191)。

Research on Session Initiation Protocol Identification Based on Principal Component Analysis and Learning Vector Quantization

LI Jindong,WANG Tao,WU Yang,LEI Dong

(Deptarment of Information Engineering,Ordnance Engineering College,Shijiazhuang 050003,China)

Received:2015-06-25 Online:2016-06-15 Published:2016-06-15

摘要/Abstract

摘要： 针对加密会话初始协议(SIP)识别困难以及相关研究工作较少,对入侵检测、网络流量监控等工作带来不便的问题,提出基于主成分分析(PCA)和学习矢量量化(LVQ)网络的SIP协议识别模型。通过对SIP协议的网络流特征进行PCA,提取出累计贡献率高于85%的相关流特征作为SIP协议识别过程中的主要特征,并进行LVQ网络训练,构建出完整的SIP协议识别模型。实验结果表明,PCA_LVQ模型对SIP协议的识别率均高于90%,通过PCA提取的SIP协议网络流属性区别于非SIP协议的属性,该模型对SIP协议的识别效果较好。

关键词: 会话初始协议, 主成分分析, 学习矢量量化, 特征值, 加密协议, 流特征

Abstract: The encrypted Session Initiation Protocol(SIP) is difficult to identify and there is less related research,which makes the intrusion detection and the network traffic monitoring inconvenient.Aiming at these problems,this paper proposes a SIP identification model based on Principal Component Analysis(PCA) and Learning Vector Quantization(LVQ) network.It extracts the feature of relevant flow characteristics,the cumulative contribution rate of which is higher than 85%,as the main characteristic during the identification of SIP by adopting PCA on the network traffic properties of the SIP.Then it trains the LVQ network training and builds a complete SIP identification model.Results show that the PCA_LVQ model can identify the SIP with a recognition rate higher than 90%,indicating that the property of SIP extracted by PCA network flow is different from non-SIP.The model has good effect on identifying SIP.

Key words: Session Initiation Protocol(SIP), Principal Component Analysis(PCA), Learning Vector Quantization(LVQ), eigen value, encrypted protocol, flow characteristic

中图分类号:

TP309

李进东,王韬,吴杨,雷东. 基于主成分分析和学习矢量量化的会话初始协议识别研究[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2016.06.022.

LI Jindong,WANG Tao,WU Yang,LEI Dong. Research on Session Initiation Protocol Identification Based on Principal Component Analysis and Learning Vector Quantization [J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2016.06.022.

参考文献

参考文献［1］亚米迪.SIP协议的研究与分析［D］.北京:北京邮电大学,2006. ［2］姚玉坤,刘合武.软交换技术在VoIP中的应用分析［J］.数据通信,2006(1):33-36. ［3］任聪.SIP协议在多媒体通信中的应用研究［D］.南京:南京邮电大学,2012. ［4］忻超.互联网应用数据建模分析和信息挖掘［D］.北京:北京邮电大学,2012. ［5］张文华,刘忠信,陈增强,等.基于SIP协议的3G网络安全认证机制［J］.计算机工程与应用,2004,40(13):163-166. ［6］郑天明,王韬,郭世泽.改进的空间协议识别算法［J］.通信学报,2012,33(5):183-190. ［7］Early J P,Brodley C E,Rosenberg C.Behavioral Authentication of Server Flows［C］//Proceedings of the 19th Annual Computer Security Applications Conference.Washington D.C.,USA:IEEE Press,2003:46-55. ［8］Sen S,Spatscheck O,Wang Dongmei.Accurate,Scalable in Network Identification of P2P Traffic Using Appli-cation Signatures［C］//Proceedings of the 13th Inter-national Conference on World Wide Web.New York,USA:ACM Press,2004:512-521. ［9］Amita S,Aruna T.NetworkTraffic Classification Using Semi-supervised Approach［C］//Proceedings of the 2nd International Conference on Machine Learning and Computing.Washington D.C.,USA:IEEE Press,2010:345-349. ［10］陈亮,龚俭,徐选.基于特征串的应用层协议识别［J］.计算机工程与应用,2006,42(24):16-19. ［11］杨哲,李领治,纪其进,等.基于最短划分距离的网络流量决策树分类方法［J］.通信学报,2012,33(3):90-102. ［12］Charles V W,Fabian M,Gerald M.On Inferring Applica-tion Protocol Behaviors in Encrypted Network Traffic［J］.Journal of Machine Learning Research,2006,7(12):2745-2769. ［13］Sun Guanglu,Xue Yibo,Dong Yingfei,et al.A Novel Hybrid Method for Effectively Classifying Encrypted Traffic［C］//Proceedings of Global Telecommunications Conference.Washington D.C.,USA:IEEE Press,2010:1-5. ［14］陈伟,胡磊,杨龙.基于载荷特征的加密流量快速识别方法［J］.计算机工程,2012,38(12):22-25. ［15］Zuev D,Moore A W.Traffic Classification Using a Statistical Approach［C］//Proceedings of the 6th International Workshop on Passive and Active Network Measurement.Berlin,Germany:Springer,2005:321-324. ［16］李正欣,郭建胜,惠晓斌,等.基于共同主成分的多元时间序列降维方法［J］.决策与控制,2013,28(4):531-536. ［17］叶晓波,王松.贝叶斯分类与LVQ神经网络分类性能对比研究［J］.电脑与信息技术,2013,21(4):14-17. 编辑顾逸斐

[1]	胡涛, 佃松宜, 蒋荣华. 基于长短时记忆神经网络的硬件木马检测[J]. 计算机工程, 2020, 46(7): 110-115.
[2]	毛钧毅, 韩松, 李洪乾. 适用于电网异常负荷动态判别的CNN阈值模型[J]. 计算机工程, 2020, 46(6): 308-313.
[3]	党小超, 邓琦研, 郝占军. 基于30°角同心圆环形取样的室内人员检测方法[J]. 计算机工程, 2020, 46(4): 198-205.
[4]	张瑞, 陈红卫. 基于特征优化与SVPSO的工控入侵检测[J]. 计算机工程, 2020, 46(4): 19-25.
[5]	张恩豪, 陈晓红, 刘鸿, 朱玉莲. 基于典型相关分析的多视图降维算法综述[J]. 计算机工程, 2020, 46(2): 1-10.
[6]	王旭仁,马慧珍,冯安然,许祎娜. 基于信息增益与主成分分析的网络入侵检测方法[J]. 计算机工程, 2019, 45(6): 175-180.
[7]	闫玉娟,李化,赵菊敏,李灯熬,刘佳. 基于CRFID和模式识别的跌倒检测系统[J]. 计算机工程, 2019, 45(6): 297-302,309.
[8]	狄瑞彤,王红,房有丽. 融合时间序列与多尺度特征的虚假评论识别方法[J]. 计算机工程, 2019, 45(3): 278-285,292.
[9]	杨晨晨,马春梅,朱金奇. 基于智能手机的跌倒行为识别算法研究[J]. 计算机工程, 2019, 45(2): 178-183.
[10]	夏胡云,叶学义,罗宵晗,王鹏. 多尺度空间金字塔池化PCANet的行人检测[J]. 计算机工程, 2019, 45(2): 270-277.
[11]	王琳, 赵俊莉, 段福庆, 周明全. 颅面复原方法综述[J]. 计算机工程, 2019, 45(12): 8-18.
[12]	张裕平, 龚晓峰, 雒瑞森. 基于稀疏化双向二维主成分分析的人脸识别[J]. 计算机工程, 2019, 45(12): 232-236.
[13]	党小超,司雄,郝占军,黄亚宁. 一种基于信道状态信息的无源室内指纹定位算法[J]. 计算机工程, 2018, 44(7): 114-120.
[14]	张笑铭,王志君,梁利平. 一种适用于卷积神经网络的Stacking算法[J]. 计算机工程, 2018, 44(4): 243-247.
[15]	杨涵方,周向东. 基于深度稀疏辨别的跨领域图像分类[J]. 计算机工程, 2018, 44(4): 310-316.

基于主成分分析和学习矢量量化的会话初始协议识别研究

Research on Session Initiation Protocol Identification Based on Principal Component Analysis and Learning Vector Quantization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10