[发明专利]一种基于生成对抗的加密流量特征隐藏系统以及方法

说明书

本发明涉及加密流量特征隐藏领域，公开了一种基于生成对抗的加密流量特征隐藏系统以及方法，该系统包括基于sequence‑to‑sequence结构的生成网络模块，以及基于多层全联接结构的鉴别网络模块。该基于生成对抗的加密流量特征隐藏方法，通过生成网络和鉴别网络零和博弈，迭代训练，对目标流量的潜在特征进行重新生成，以达到特征流量隐藏的目标。本发明相比于现有机器学习算法，克服传统机器学习依赖先验知识，人工构造特征需要耗费人力物力等缺点；此外，通过生成对抗解决深度学习模型易受对抗样本的攻击等问题，并在生成网络中结合循环神经网络，能够更好地模拟目标流量特征分布规律，整体取得效果更佳。

技术领域

本发明涉及加密流量特征隐藏领域，具体涉及一种基于生成对抗的加密流量特征隐藏系统以及方法。

背景技术

随着用户网络安全和隐私保护意识的增强，流量加密已成为网络通信的发展趋势。let’s encrypt的2021年度报告显示自2013年以来，全球HTTPS页面负载已从25％增加到84％。随之而来的是对加密流量分析技术的研究。加密流量分析可细分为加密协议识别、应用程序识别、异常流量识别和内容本质识别。在网络管理领域，为了提高服务质量，网络服务提供商需要识别网络服务的类型，从而实现对网络状况的监控；在网络安全领域，研究人员将重点放在异常流量(如恶意流量)的检测上，以实现对网络威胁的实时监控，从而及时采取防护措施。

加密不会显著修改流量特征模式，如数据包长度、时间序列。因此，加密流量分析主要是指利用机器学习算法或深度学习模型观察流量特征模式并将其识别为特定流量类别的一系列技术。然而，它也面临一些安全威胁，尤其是匿名网络流量。一旦发生针对匿名流量的流量分析攻击，匿名网络将失去其匿名性。因此，对于匿名流量，如何隐藏流量特征来防御流量分析是一个亟待解决的问题，为此我们提出了一种基于生成对抗的加密流量特征隐藏系统以及方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供一种基于生成对抗的加密流量特征隐藏系统以及方法，通过生成网络和鉴别网络零和博弈，迭代训练，对目标流量的潜在特征进行重新生成，以达到特征流量隐藏的目标。该方法相比于现有机器学习算法，克服传统机器学习依赖先验知识，人工构造特征需要耗费人力物力等缺点；此外，通过生成对抗解决深度学习模型易受对抗样本的攻击等问题，并在生成网络中结合循环神经网络，能够更好地模拟目标流量特征分布规律，整体取得效果更佳。

(二)技术方案

为实现上述所述目的，本发明提供如下技术方案：

一种基于生成对抗的加密流量特征隐藏系统，其包括基于sequence-to-sequence结构的生成网络模块，以及基于多层全联接结构的鉴别网络模块。

一种采用前述系统的基于生成对抗的加密流量特征隐藏方法，包括以下步骤：

第一步：基于sequence-to-sequence结构的生成网络模块用以对目标加密流量特征序列进行建模，学习其潜在的特征规律，包括对流量特征序列的向量化表示，得到嵌入层，对特征序列向量编码，得到编码层，最后对其进行解码，生成特征序列，得到解码层；

第二步：基于多层全联接结构的鉴别网络模块，通过多层全联接结构，综合全面考虑多维度特征信息，对生成网络所生成的特征流量序列以及真实流量特征序列进行区分；

第三步：鉴别网络将其学习到的信息反馈给生成网络，辅助其优化训练，生成网络进而生成更加与真实流量难以区分的特征序列，鉴别网络与生成网络之间迭代训练，相互博弈，最终给定目标流量，生成网络能够生成难以区分的流量，以实现特征隐藏。

优选的，所述第一步中目标加密流量特征序列指TOR流量包间时间间隔和数据包大小两类特征序列。

优选的，所述所第一步中嵌入层、编码层以及解码层包括以下内容：