曾 勇，吴正远，董丽华，刘志宏，马建峰，李 赞

(1.西安电子科技大学 网络与信息安全学院，陕西 西安 710071；2.西安电子科技大学 综合业务网理论及关键技术国家重点实验室，陕西 西安 710071)

在互联网技术日益健全的今天，网络流量识别技术对网络管理、服务质量保障和网络安全等具有重大的意义。伴随着加密技术的不断发展，加密流量在互联网流量中的数量和比例也不断上升。根据最近的互联网研究趋势报告[1]，如今87%的web流量是加密的，文献[2]预计在2020年超过70%的恶意软件活动将使用某种类型的加密来隐藏恶意软件的传输、控制命令活动和数据渗漏。由于加密后流量的特征发生了改变，因而传统流量检测方式在加密环境下难以复现。如何在加密流量上进行有效的恶意流量识别，已成为了网络安全领域的重要挑战。

已有文献[3-7]综述了当前加密流量识别技术的研究进展。其中，文献[3]总结了网络加密流量的基本概念、研究进展和评价指标等概念。文献[4]总结了用于加密流量识别的方法以及影响加密流量识别的因素，文献[5]总结了流量识别的四种常用方法：基于端口号、深度报文检测、机器学习和深度学习，着重介绍了常用于深度学习训练的几种特征和深度学习模型。但是这些综述并未涉及加密流量中的恶意流量识别。文献[6]对加密流量数据集和加密流量中的恶意流量检测步骤进行了小结，并介绍了基于机器学习的识别方法。文献[7]介绍了通过将流量转化为图像后采用计算机视觉的方法进行恶意流量识别的模型，这类方法目前仅在三大类恶意流量上有比较好的识别结果，且仅部分识别方法面向加密流量。……