# traffic-analyze

**Repository Path**: ggforever/traffic-analyze

## Basic Information

- **Project Name**: traffic-analyze
- **Description**: 深度学习加密流量分析，包含数据分析，模型可解释性。
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-09-15
- **Last Updated**: 2026-03-27

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# traffic-analyze

#### 背景说明
电力网络安全风险持续上升，新一代智能电网中包含了多种加密协议（TLS，TOR，VPN，QUIC），使得流量类型分析变得越发困难（流量内容不可见、协议多样、攻击类型多样），传统基于数据包特征分析的方式难以对流量进行分类分析，进而可能导致网络威胁事件发生。同时，随着攻击者手段不断升级，恶意攻击行为的流量特征分布会逐渐趋向正常行为分布（概念漂移），使得恶意流量更难分辨。此外，现有加密流量分析模型大多为黑盒模型，模型缺乏可解释性。且现有可解释流量分析模型大多只注重分析特征的重要性，无法形成检测规则，难以和安全设备进行联动。

#### 技术难题
1. 现有加密流量分析模型往往着重关注流量数据本身的浅层特征，忽略同类型流量payload中隐含的同质信息特征，不能有效区分不同类型的流量。需设计流量数据多模态特征挖掘融合模型，以应对恶意加密流量入侵等问题。
2. 0-day攻击以及新颖的恶意流量往往能够绕过已有的流量分析模型，使模型的分类效果变差。传统流量生成模型仅对流量特征施加扰动，因此需要构建流量生成模型，能够在已有流量数据的基础上，生成协议合规、有效的对抗样本，并对模型微调，从而提升模型分析的鲁棒性，使模型能够应对0-day恶意行为。
3. 现有流量分析框架往往仅仅对特征重要性进行分析，不能够直观展示各个类别下每个参数的约束边界条件。需设计黑盒模型规则提取方法，形成规则集，便于直观解释，提升模型可解释性。

#### 项目介绍
1. 构建多模态嵌入式特征表征模型：针对网络数据包特性，设计了双分支特征提取架构，分别对统计特征与负载内容进行深度建模，生成高判别性的嵌入式表示。通过引入对比学习策略，实现跨模态特征表示的对齐与融合，增强模型Mc对多源信息协同感知的能力，提高流量分类的准确性于鲁棒性。
2. 设计基于镜像网络强化学习的流量生成方法：改进GAN模型，生成“接近正常边界的恶意样本”、“远离现有分布的恶意样本”、“维持决策边界的正常样本”。将已训练好的流量分类模型Mc作为判别器，生成模型$M_g$的输出作为动作，逐步提升生成流量的“良性伪装度”，最终实现对流量分类模型的规避。
3. 形成闭环：最后基于训练得出生成网络$M_g$，生成对抗样本，并更新$M_c$模型参数，提升流量分类模型的鲁棒性。
4. 设计基于树模型的规则抽取算法：通过将黑盒模型的输出分布映射为树结构表示，实现对复杂决策过程的符号化提取，显著提升模型的可解释性与可信度。

#### 数据集配置
本项目使用了以下数据集：
1.  USTC数据集：[USTC-TFC2016](https://github.com/davidyslu/USTC-TFC2016)
2.  ISCX-VPN-2016数据集：[ISCX-VPN-2016](https://www.unb.ca/cic/datasets/vpn.html)
3.  ISCX-TOR-2016数据集：[ISCX-TOR-2016](https://www.unb.ca/cic/datasets/tor.html)
  
数据集下载后，需要将其放置在`./data/`目录下，按照数据集类型、二分类类型、多分类类型构建数据集文件结构，目录结构如下：
```
├─data
│  ├─ISCX-TOR-2016
│  │  ├─NonTOR
│  │  │  ├─Audio
│  │  │  ├─Browsing
│  │  │  └─...
│  │  └─TOR
│  │     ├─Audio
│  │     ├─Browsing
│  │     └─...
│  └─USTC-TFC2016
│      ├─Benign
│      │  ├─BitTorrent
│      │  ├─Facetime
│      │  └─...
│      └─Malware
│         ├─Cridex
│         ├─Geodo
│         └─...
```
#### 安装教程
推荐采用[uv](https://github.com/astral-sh/uv)安装项目依赖
1.  安装uv：`pip install uv`
2.  安装项目依赖：`uv sync`

可以采用虚拟环境管理项目依赖，例如[venv](https://docs.python.org/3/library/venv.html)。
1.  创建虚拟环境：`python -m venv .venv`
2.  激活虚拟环境：
    - Windows：`.venv\Scripts\Activate.ps1`
    - macOS/Linux：`source .venv/bin/activate`
3.  安装项目依赖：`pip install -r requirements.txt`

#### 参与贡献

1.  Fork 本仓库
2.  新建 Feat_xxx 分支
3.  提交代码
4.  新建 Pull Request