孔 鎮(zhèn)，董育寧

（南京郵電大學(xué) 通信與信息工程學(xué)院，江蘇 南京 210003）

網(wǎng)絡(luò)流量分類是網(wǎng)絡(luò)研究的一個重要分支［1］。隨著網(wǎng)絡(luò)視頻需求的增加，正確分類網(wǎng)絡(luò)視頻服務(wù)類型，對網(wǎng)絡(luò)資源管理和提升服務(wù)質(zhì)量有著重要意義。根據(jù)思科白皮書顯示，到2023年，視頻流量將占所有網(wǎng)絡(luò)流量的82%［2］。由于視頻業(yè)務(wù)對帶寬以及延遲抖動的要求都比較高，所以網(wǎng)絡(luò)擁塞現(xiàn)象會變得嚴重，從而給網(wǎng)絡(luò)管理帶來不小的挑戰(zhàn)［3］。因此，對視頻流量進行細粒度分類能夠幫助互聯(lián)網(wǎng)服務(wù)商（ISP）根據(jù)不同的視頻質(zhì)量需求提供有區(qū)別的網(wǎng)絡(luò)資源配置，從而保證服務(wù)質(zhì)量（QoS）［4］。然而，眾多新應(yīng)用的出現(xiàn)以及網(wǎng)絡(luò)加密技術(shù)和動態(tài)端口的應(yīng)用，對網(wǎng)絡(luò)流量分類產(chǎn)生了極大的挑戰(zhàn)［5］。

當前，網(wǎng)絡(luò)流量分類方法主要可以分為：基于端口、基于深度包檢測（DPI）［6］、基于傳統(tǒng)機器學(xué)習(xí)（ML）［7］的分類方法，以及基于機器學(xué)習(xí)中最新的深度學(xué)習(xí)（DL）［8］方法。由于越來越多的應(yīng)用采用動態(tài)端口號，以及流加密技術(shù)的普遍使用，前兩種分類方法不再有效。傳統(tǒng)ML的網(wǎng)絡(luò)流量分類方法可以避免前兩種方法的不足，主要有SVM［9］、隨機森林［10］、k均值［11］和高斯混合模型［12］等算法。 該分類方法基于這樣一個事實：不同的應(yīng)用在進行網(wǎng)絡(luò)通信時會有不同的流行為特征，根據(jù)這些特征就能夠?qū)ζ溥M行分類［13］。然而，由于不同的應(yīng)用，其特征不盡相同，因而挖掘這些特征需要一定的領(lǐng)域知識和大量的時間［14］。因此，傳統(tǒng)ML分類方法在特征設(shè)計和選擇方面有著新的挑戰(zhàn)［15］，而這些問題直接影響分類效果［16］。最近，DL在許多方面取得了成功［17］，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖片分類方面的應(yīng)用，它能夠自動地從原始數(shù)據(jù)中學(xué)習(xí)到特征，這一特點使得其自然地彌補了傳統(tǒng)ML的缺點［18］。因此，CNN開始被應(yīng)用于網(wǎng)絡(luò)流量分類中，并得到了不錯的結(jié)果［19］。然而，使用有效載荷數(shù)據(jù)作為模型輸入的方法無法處理加密流量。因此，有必要研究采用其他信息，如文獻［20］使用了單向流統(tǒng)計信息。但該方法得到的信息不充分，會影響分類效果。針對此問題，本文提出一種改進方法，使用流的雙向信息以及交叉信息作為CNN輸入，以期改善對網(wǎng)絡(luò)流量細粒度分類的效果。

本文所說的細粒度分類，是將同一大類業(yè)務(wù)（例如，視頻業(yè)務(wù)、音頻業(yè)務(wù)等）進一步分為子類業(yè)務(wù)（如，將視頻業(yè)務(wù)細分為不同分辨率的視頻流等）［21］。目前，對網(wǎng)絡(luò)流量的細粒度分類面臨著諸多挑戰(zhàn)，這是由于各子類之間存在許多相同或相似的特征；例如，同一視頻業(yè)務(wù)上不同分辨率的數(shù)據(jù)在協(xié)議、端口號、加密方式等方面是相同的。目前似乎較少見用DL進行網(wǎng)絡(luò)流量細粒度分類的文獻報道。

本文通過對采集的網(wǎng)絡(luò)視頻流量進行分析，并針對視頻流量多采用加密處理的特點，提出了一種適用于CNN的數(shù)據(jù)處理方法。它只使用數(shù)據(jù)包相關(guān)的特征，例如包到達時間、包大小、包的方向等。然后將這些信息映射為圖片，并將得到的圖片訓(xùn)練以及測試CNN，得到細粒度分類結(jié)果。本文分類的視頻數(shù)據(jù)集包含3種不同分辨率的點播和直播視頻數(shù)據(jù)，共6個子類：點播480p、720p、1 080p，和直播480p、720p、1 080p。視頻流量數(shù)據(jù)采自中國主流視頻網(wǎng)站，包括嗶哩嗶哩視頻（https：//www.bilibili.com），騰訊視頻（https：//v.qq.com），優(yōu)酷視頻（https：//www.youku.com），斗魚直播（https：//www.douyu.com）和虎牙直播（https：//www.huya.com）。同時，為了驗證該方法的性能，同樣使用了“ISCX non-VPN”數(shù)據(jù)集實現(xiàn)粗粒度分類，該數(shù)據(jù)集包含4種網(wǎng)絡(luò)業(yè)務(wù)類型，包括語音通話（audio），視頻通話（video），文字聊天（chat）和IP語音（VoIP）。表1和表2給出了這兩個數(shù)據(jù)集的詳細信息。本文旨在不進行特征設(shè)計的前提下實現(xiàn)對網(wǎng)絡(luò)流量的細粒度分類。實驗結(jié)果表明，本文所提的方法相比于現(xiàn)有方法，具有較高的分類準確率。本文的主要貢獻有以下3點：

表1 視頻數(shù)據(jù)集信息

表2 “ISCX non-VPN”數(shù)據(jù)集［22］信息

（1）提出了一種擴展特征信息的方法。與已有的方法不同，本文方法所生成的圖片中包含了雙向流的信息以及交叉信息。這些信息轉(zhuǎn)化為圖片形狀反映出來。

（2）避免了特征設(shè)計過程。以生成的圖片為輸入，使用CNN模型進行分類；相比于傳統(tǒng)ML方法，它不僅能夠自動尋找特征，還能自動更新特征。

（3）本文方法對不同粒度的網(wǎng)絡(luò)流量分類任務(wù)都有較好的表現(xiàn)。相比于已有方法，本文方法在粗分類和細分類上都具有優(yōu)勢。

1 相關(guān)工作

Qin等［15］提出了一種避免特征設(shè)計的網(wǎng)絡(luò)流量分類的方法，通過計算雙向流數(shù)據(jù)包中有效載荷大小分布概率函數(shù)（PSD），并使用Renyi交叉熵計算PSD與某一應(yīng)用的相似性，從而達到分類目的。在DL方法研究方面，Wang等［23］將數(shù)據(jù)包的頭部信息和有效載荷信息轉(zhuǎn)化為圖片并用CNN模型進行正常和惡意流量的分類，取得了較好的結(jié)果。在文獻［24］中，Wang等應(yīng)用同樣的方法對包括VPN與non-VPN在內(nèi)的12類使用1D-CNN進行分類，并指出，使用1D-CNN比使用2D-CNN的分類效果要好。Lotfollahi等［25］使用了類似的方法，區(qū)別在于他們是基于包級別的；他們使用IP頭部信息和前1 480比特的負載信息，基于1D-CNN和棧式自動編碼（SAE）模型進行分類。Lim等［26］將有效載荷轉(zhuǎn)換為比特序列，并把每4比特分為一組再轉(zhuǎn)換為十進制數(shù)作為圖片像素的大小，實驗表明使用有效載荷信息越多，CNN模型的分類效果越好；這是由于使用的有效載荷信息越多，CNN模型得到的信息越多。在文獻［27］中，作者使用統(tǒng)計特征與包特征相結(jié)合的方法對QUIC協(xié)議的流量進行了分類。他們首先使用統(tǒng)計特征和隨機森林算法區(qū)分出Google Hangouts流量，然后使用CNN模型對其余流量進行分類，包括Google play music，YouTube等。

上述方法都是基于有效載荷信息，對于某一應(yīng)用來說，由于其字節(jié)結(jié)構(gòu)相同，這就可能導(dǎo)致過擬合問題［20］。因此，Salman等［28］提出了一種新的數(shù)據(jù)表示方法，把網(wǎng)絡(luò)流的相關(guān)信息數(shù)值化，并將數(shù)值化的信息作為圖片的像素值，生成RGBA圖片；這些信息包括：數(shù)據(jù)包到達時間間隔（t），數(shù)據(jù)包大?。╯），協(xié)議（p）和流的方向（d）。Shapira等［20］使用單向流的相關(guān)信息生成了圖片，將包到達時間和數(shù)據(jù)包大小歸整到1至1 500，作為圖片像素點的坐標，將在該時間間隔內(nèi)，具有同樣大小的包的數(shù)量作為像素值，從而生成1 500×1 500的圖片。每張圖片包含60 s單向流的數(shù)據(jù)包信息。

CNN［29］已廣泛應(yīng)用于圖像分類。由于CNN具有權(quán)值共享和平移不變形的特性，相比前向反饋的神經(jīng)網(wǎng)絡(luò)，相同層數(shù)的CNN有更少訓(xùn)練參數(shù)。一個典型的CNN包含5部分：輸入層，卷積層，池化層，全連接層和輸出層，如圖1所示。卷積層的輸出叫做特征圖，它是由前一層與卷積核卷積之后再通過激活函數(shù)映射得到。常用的激活函數(shù)有ReLu函數(shù)，Sigmoid函數(shù)等。卷積層后的池化層能夠減少參數(shù)數(shù)量并降低網(wǎng)絡(luò)的計算復(fù)雜度。例如，平均池化的輸出是矩陣鄰域內(nèi)所有值的平均。CNN的輸出層通常為SoftMax函數(shù)，它的輸出是范圍為0至1的K維概率分布向量；向量中的值代表某一類分類得到的分值。

圖1 CNN結(jié)構(gòu)圖

將帶有標簽的圖片讀入CNN后，通過后向傳播算法（通常是梯度下降算法［30］）不斷調(diào)整網(wǎng)絡(luò)的權(quán)重以使得代價函數(shù)達到最小，是CNN訓(xùn)練的基本過程。另外，在訓(xùn)練過程中通常會使用dropout技術(shù)和L2正則化技術(shù)以避免過擬合問題。

受以上研究啟發(fā)，本文提出了一種新的將流量數(shù)據(jù)表示為圖片的方法。它利用雙向流的相關(guān)信息生成圖片，圖片包含了4部分，分別為上下行數(shù)據(jù)流信息和交叉信息，這些信息通過圖片上像素點的位置以及像素值大小來表示。然后將生成的圖片使用CNN模型進行分類。

2 本文方法

2.1 數(shù)據(jù)集

使用的數(shù)據(jù)集包括視頻數(shù)據(jù)集和“ISCX non-VPN”數(shù)據(jù)集。視頻數(shù)據(jù)集（見表1）是通過Wireshark（https：//www.wireshark.org／＃download）軟件采集得到；時間為2019年2月和2020年1月，總數(shù)據(jù)量約50 GB。其中，每一類數(shù)據(jù)都在兩個以上的應(yīng)用上采集。“ISCX non-VPN”數(shù)據(jù)集（見表2）是New Brunswick大學(xué)Gerard Drapper Gil團隊采集的一個公開數(shù)據(jù)集，本文使用了其中的4類網(wǎng)絡(luò)流量數(shù)據(jù)。

2.1.1 數(shù)據(jù)預(yù)處理

首先，從采集的PCAP格式文件中提取出雙向數(shù)據(jù)流。所謂流，就是五元組相同的數(shù)據(jù)包的集合，即源IP地址，目的IP地址，源端口號，目的端口號，協(xié)議都相同。其次，去掉不相關(guān)流數(shù)據(jù)和控制流。最后，將數(shù)據(jù)流分段為60 s［20，22］的子段文件，保存在相對應(yīng)的類別中。

2.1.2 圖片生成

本文生成的圖片包含4部分特征信息：上下行特征信息和交叉特征信息；每一部分都是基于數(shù)據(jù)包大小，方向以及到達時間的二維直方圖在圖片上的表示。

首先，提取雙向流包的相關(guān)信息（包到達時間，包大小，包的方向）組成向量［t，s，d］。其次，根據(jù)數(shù)據(jù)包的方向?qū)?shù)據(jù)包大小以及數(shù)據(jù)包到達時間規(guī)整到1至750或751至1 500之間。具體來說，將當前包到達時間減去第一個包到達時間得到的數(shù)值進行規(guī)整，如果是下行包的到達時間，則規(guī)整到1至750（即60 s映射為750），如果是上行包的到達時間，則規(guī)整到751至1 500（即60 s映射為1 500）。同樣地，將下行包大小規(guī)整到1至750，將上行包大小規(guī)整到751至1 500。由于最大傳輸單元為1 514，因此，對于下行包大小是1 514，則被規(guī)整為750，上行包大小是1 514，則被規(guī)整為1 500。然后，將規(guī)整后的包到達時間和包大小作為坐標，統(tǒng)計在相同的時間間隙內(nèi)具有同樣包大小的數(shù)據(jù)包數(shù)量，作為該坐標位置上的像素。最后每60 s的數(shù)據(jù)生成一張圖片。這樣，每張圖片就包含了4部分，分別為下行數(shù)據(jù)包到達間隙內(nèi)下行包的統(tǒng)計，上行數(shù)據(jù)包到達間隙內(nèi)上行包的統(tǒng)計，下行數(shù)據(jù)包間隙內(nèi)上行包的統(tǒng)計以及上行數(shù)據(jù)包間隙內(nèi)下行包的統(tǒng)計，其中后兩種為構(gòu)建的交叉信息特征。圖示2顯示了將流量數(shù)據(jù)轉(zhuǎn)化為圖片的示意圖。表1、表2中列出了每一類別所得到的樣本數(shù)量。

圖2 數(shù)據(jù)表示為圖片示意圖

2.1.3 可視化分析

圖3給出了生成的圖片樣例，從圖上可以看出，每張圖片有4個各不相同的部分。需要說明的是，圖上黑色像素點表示像素值在1至255之間，白色像素點表示像素的值是0，它表示在相應(yīng)的時間間隙內(nèi)沒有任何包到來。實際上，對視頻數(shù)據(jù)集中所有類的樣例圖，都能明顯地看出各類之間的差異；這是由于每一種網(wǎng)絡(luò)服務(wù)在服務(wù)器與客戶端通信時都會有不同的行為表現(xiàn)，顯示在圖片上就是不同類別得到的圖片的紋理風(fēng)格有較大的區(qū)別。例如，對于直播和點播來說，其下行數(shù)據(jù)包大小規(guī)整后都廣泛分布于1至750之間（即圖片上半部分）。但是，相同時間內(nèi)直播數(shù)據(jù)包數(shù)量要遠遠多于點播的數(shù)據(jù)包數(shù)量，表現(xiàn)在圖片上就是圖片上半部分直播的像素點要比點播的更稠密。另外，視頻數(shù)據(jù)集中每一類的流量數(shù)據(jù)都是在不同的應(yīng)用中采集的，從圖片中可以看到，同一類別中不同應(yīng)用的數(shù)據(jù)所生成的圖片有較大的相似性。同時，也注意到，同種視頻服務(wù)不同分辨率之間也有相似性；這是由于對于點播視頻服務(wù)來說，雖然分辨率不同，但在服務(wù)器與客戶端通信時具有相似的行為特征，即當緩沖器滿時，就停止下載數(shù)據(jù)，當緩沖器空閑時，數(shù)據(jù)開始下載。然而，盡管如此，不同分辨率之間仍然有較大的區(qū)別，比如數(shù)據(jù)量多少，同一時間間隙中的包的數(shù)量等。這些區(qū)別通過本文方法轉(zhuǎn)化為圖片后，在圖片上都能夠通過像素點的位置及像素值大小反映出來。

圖3 生成的圖片樣例

通過以上分析可知：對于不同類別的數(shù)據(jù)生成的圖片，它們之間都有較大的差異性；對于同一類別來自不同應(yīng)用的數(shù)據(jù)生成的圖片，它們又有較高的一致性；這使得對視頻流量進行細分類成為可能。另外，對比文獻［20］，本文方法得到的圖片中包含了更多的特征信息，不僅增加了上行數(shù)據(jù)的流信息，而且增加了上下行的交叉信息，所以有理由相信本文方法能得到最優(yōu)的結(jié)果。

2.2 CNN結(jié)構(gòu)

本文旨在通過將網(wǎng)絡(luò)流量數(shù)據(jù)轉(zhuǎn)化為圖片并應(yīng)用簡單的CNN模型對網(wǎng)絡(luò)流量進行分類。本文使用的模型共7層，其輸入是前文所述方法得到的1 500×1 500的圖片。接下來是卷積層—池化層—卷積層—池化層—卷積層的結(jié)構(gòu)（分別記為CONV1，POOL1，CONV2，POOL2，CONV3）。卷積核大小為5×5，使用ReLU作為激活函數(shù)。初始學(xué)習(xí)率設(shè)置為0.05，本文采用最大池化技術(shù)，其每個單元與特征圖上的2×2的鄰域相連接。卷積－池化計算之后，使用flatten函數(shù)將特征圖轉(zhuǎn)換為一維向量接入兩層的全連接網(wǎng)絡(luò)。最后，使用SoftMax函數(shù)作為輸出層。另外，為了防止過擬合，在訓(xùn)練階段使用了dropout技術(shù)，丟棄率為0.5以及L2正則化技術(shù)，權(quán)重衰減系數(shù)為0.99。

將得到的圖片按照10∶1的比例隨機分為訓(xùn)練集和測試集，并使用TensorFlow平臺搭建CNN模型對圖片進行訓(xùn)練和測試，并保存訓(xùn)練過程中結(jié)果最好的模型。本文方法的流程圖見圖4。

圖4 本文方法流程圖

3 實驗結(jié)果與分析

本節(jié)介紹實驗結(jié)果并與已有文獻方法進行對比。實驗電腦配置為64位Windows10操作系統(tǒng)，英特爾酷睿I5-1035G1 CPU，16 GB內(nèi)存。使用基于TensorFlow平臺上的Keras庫搭建CNN模型。

3.1 實驗敘述

為了驗證本文方法的分類效果，使用“ISXC non-VPN”數(shù)據(jù)集［22］和視頻數(shù)據(jù)集進行分類實驗，并與文獻［20］與［24］方法進行性能對比。另外，分別選擇了30 s，45 s，60 s，75 s的包序列生成圖片，探究不同時間尺度生成的圖片對分類結(jié)果的影響。

3.2 評價標準

準確率（acc），精準率（p）、和f1測度（f1）是分類問題中常用的評價標準，定義如下：準確率用來描述分類器總體的表現(xiàn)，精準率用來評價分類問題中每一類的分類情況，f1測度常用來衡量分類器的性能。

3.3 實驗結(jié)果

3.3.1 對不同粒度網(wǎng)絡(luò)流量分類效果對比

對本文方法以及文獻［20］、［24］方法在兩個數(shù)據(jù)集上進行粗粒度（ISXC non-VPN）和細粒度（Video）分類實驗。表3給出了3種方法的總體準確率比較。表4和表5分別給出了不同數(shù)據(jù)集上的精準率和f1測度。為了更好地評估不同方法的分類效果，圖5和圖6分別給出了不同方法得到的混淆矩陣。

圖5 不同方法在視頻數(shù)據(jù)集上得到的混淆矩陣

圖6 不同方法在“ISXC non-VPN”數(shù)據(jù)集上得到的混淆矩陣

表3 不同方法的acc（均值±標準差）比較 %

表4 不同方法在視頻數(shù)據(jù)集上p和f1（均值±標準差） %

表5 不同方法在“ISXC non-VPN”數(shù)據(jù)集上p和f1（均值±標準差） %

3.3.2 不同時間尺度生成圖片的表現(xiàn)

為了探究使用不同時間尺度生成的圖片對于細粒度分類的影響，我們對視頻數(shù)據(jù)集分別使用30 s，45 s，60 s和75 s的流數(shù)據(jù)生成圖片并訓(xùn)練和測試。圖7給出了不同時間尺度得到圖片的分類準確率。

圖7 不同時間尺度的細粒度分類準確率

3.4 結(jié)果討論

從表3中可以看出，就總體準確率而言，本文方法較其他兩種方法有所改善。其中，對于粗粒度分類，本文方法的分類準確率達到了98.58%，較文獻［24］方法提高了6.3%，比文獻［20］方法提高了2.86%；對于細粒度分類，本文方法比文獻［24］方法略有改善，而相比于文獻［20］方法，則有明顯提高（4.7%）。這是由于相比文獻［20］方法，本文方法所生成的圖片中包含了更多的信息。首先，本文方法生成圖片時加入了上行流信息，而文獻［20］方法只使用單向流信息。圖8給出了視頻流數(shù)據(jù)集的不同類中，上行包到達時間的累計密度函數(shù)（CDF）曲線，它反映了樣本本身的特征分布。從圖中可以看出，不同類別中上行數(shù)據(jù)包到達時間分布不同；因此，加入上行數(shù)據(jù)能夠增加各類之間的差異度。其次，本文方法的圖片中包含了交叉信息，包括對在下行包間隙內(nèi)出現(xiàn)的上行數(shù)據(jù)包統(tǒng)計以及在上行數(shù)據(jù)包間隙中出現(xiàn)的下行數(shù)據(jù)包的統(tǒng)計。這些有效信息的加入，對原始數(shù)據(jù)有了更細致的描述，對于提高分類器的性能有幫助。因此，相比于文獻［20］方法，本文方法提高了分類準確率。文獻［24］方法使用包頭部信息以及部分有效載荷信息，雖然頭部信息包含了網(wǎng)絡(luò)連接時的特征，但這也使得分類結(jié)果與其密切相關(guān)。因此，與細分類相比，在進行粗分類時，本文方法與文獻［20］方法準確率都有明顯的提升，而比文獻［24］方法卻略微下降。這是由于“ISXC non-VPN”數(shù)據(jù)集中每一類有多個數(shù)據(jù)來源，并且每一個數(shù)據(jù)來源由不同的用戶采集得到，這就使得數(shù)據(jù)包的頭部信息存在較大差異，而文獻［24］方法分類又依賴這些信息，因此使得其粗分類結(jié)果反而低于細分類。

圖8 視頻流數(shù)據(jù)集上行流中包到達時間間隔的CDF曲線

通過表4給出的精準率和f1測度可以看出，本文方法的細分類結(jié)果要優(yōu)于文獻［20］方法；這表明加入了上行特征確實能夠提高分類表現(xiàn)。值得注意的是，在直播和點播720p上，文獻［24］的表現(xiàn)好于本文和文獻［20］方法。通過對數(shù)據(jù)和數(shù)據(jù)源研究發(fā)現(xiàn)，斗魚直播網(wǎng)站對于同為標注720p的視頻，其幀率有所不同（有的幀率為30幀，有的為40幀），這就導(dǎo)致了同一分辨率下40幀時得到的數(shù)據(jù)量（包括相同時間間隙內(nèi)數(shù)據(jù)包的數(shù)量，數(shù)據(jù)包的大小等）要多于30幀時得到的數(shù)據(jù)量，從而使本文方法在分類直播720p時，準確率有所下降。通過圖5（c）的混淆矩陣可以看到，有相當比例的直播720p樣本被錯誤分成了直播1 080p，這也印證了本文猜想。而文獻［24］方法未受此影響。類似地，由于點播720p中有些數(shù)據(jù)來源為騰訊視頻（見表1），而騰訊視頻采用的是動態(tài)幀率，這同樣造成了本文方法對點播720p識別率低的問題。另外，從混淆矩陣中看到，文獻［20］和文獻［24］方法中存在直播樣本錯分為點播樣本以及點播樣本錯分為直播樣本的情況，而本文方法得到的混淆矩陣則不存在這種情況，這也反映了本文方法相比于文獻方法存在優(yōu)勢。從表5中看到，3種方法對audio，chat和VoIP類都能夠較好地識別，在video類上，文獻［24］方法表現(xiàn)較差（75.8%），通過圖6（a）的混淆矩陣看到，有較多的video被錯誤分成了audio。由于Gil團隊沒有給出所采集數(shù)據(jù)的詳細說明，因此，無法對此進行詳細分析。不過，文獻［24］在文中也指出了對non-VPN的分類結(jié)果并不理想。

從圖7可以看到，選擇不同時間尺度所生成的圖片對視頻數(shù)據(jù)細分類的影響較大，特別是當時間尺度比較小時，分類效果一般。圖中30 s生成的圖片得到的準確率僅有68.8%。而增大時間尺度能明顯提高分類準確率；當時間尺度大于60 s時，分類準確率趨于平穩(wěn)。這是由于，對于視頻流量來說，在較短的時間內(nèi)，服務(wù)器與客戶端之間數(shù)據(jù)傳輸還沒有達到平穩(wěn)狀態(tài)，網(wǎng)絡(luò)波動比較大，因此較短時間內(nèi)的數(shù)據(jù)分類結(jié)果不理想。

綜上，可以得到以下結(jié)論：對于不同的分類任務(wù)，相比于文獻［20］方法，本文方法對圖片中的特征信息做了擴展，包含了上下行流信息和交叉信息?？梢哉J為，文獻［20］方法所得圖片中的信息只是本文方法所得圖片中的一部分，因而不如本文方法好；對于使用有效載荷信息以及包頭部特征作為輸入來說，其分類效果與數(shù)據(jù)包的內(nèi)容緊密相關(guān)，這種方法易受網(wǎng)絡(luò)環(huán)境影響。因此文獻［24］方法粗分類的表現(xiàn)反而比細分類略微下降。另外，在無法獲得有效載荷信息的情況下，文獻［24］方法是無效的，這也使得該方法泛化性能較差。相比之下，本文方法只使用了數(shù)據(jù)包的統(tǒng)計信息，因而更具有一般性。同時，對于視頻流量來說，較短時間內(nèi)流數(shù)據(jù)可能會達不到平穩(wěn)狀態(tài)而影響結(jié)果。

4 結(jié)束語

面向未來多樣化和精細化的網(wǎng)絡(luò)服務(wù)，需要更優(yōu)化的網(wǎng)絡(luò)資源分配機制和服務(wù)質(zhì)量保證。因此，需要對網(wǎng)絡(luò)流量進行細分類。本文提出了一種適用于網(wǎng)絡(luò)流量細分類的方法；它把數(shù)據(jù)包特征轉(zhuǎn)化成圖片的形式，應(yīng)用CNN模型對網(wǎng)絡(luò)流量進行分類。實驗表明，該方法對于網(wǎng)絡(luò)流量粗分類和細分類都能取得較好的結(jié)果。本文方法相比于基于傳統(tǒng)ML的流分類方法，能夠自動地尋找特征，省去了特征設(shè)計和提取環(huán)節(jié)。此外，DL方法還能夠根據(jù)新類別的出現(xiàn)或者網(wǎng)絡(luò)技術(shù)的改進自動地更新特征，從而不需要再次設(shè)計特征。同時，相比于其他基于DL的網(wǎng)絡(luò)流量分類方法，本文方法在只使用數(shù)據(jù)包統(tǒng)計特征基礎(chǔ)上對數(shù)據(jù)進行了擴充；相比于使用有效載荷信息的DL方法，避免了隱私和安全問題。

通過實驗發(fā)現(xiàn)，面對動態(tài)幀率時，本文方法存在不足。下一步，將改進此方法以適應(yīng)動態(tài)幀率下的流量細分類。同時，對于視頻流量來說，由于受網(wǎng)絡(luò)影響較大，需要較長時間的數(shù)據(jù)來進行分類，今后將研究改進措施。另外，我們也注意到，使用DL方法的計算復(fù)雜度較高，且增加新類時無法對參數(shù)進行局部調(diào)整，因此需要網(wǎng)絡(luò)重新學(xué)習(xí)，這增加了工作量。因此，今后可以考慮在計算量與分類效果之間尋找平衡以及其他DL模型對網(wǎng)絡(luò)流量細分類的應(yīng)用。