李 莉 任逸飞 娄嘉鹏

北京电子科技学院，北京市 100070

引言

在当今巨大的网络流量中，诸如入侵检测、恶意软件检测等许多应用都需要进行流量识别，从而衍生出多种流量识别方法来适应不同应用场景的不同需求。 然而加密技术的出现对流量识别提出了新的挑战。 在当前网络环境中，加密数据所占比例越来越大，加密通信的比例逐年上升，一方面，使用VPN 通过Internet 进行安全连接，或者使用HTTPS 作为WEB 浏览的安全协议来保护隐私已经变得很常见；另一方面，一些黑客也使用加密技术来绕过检测进行非法操作从中获利，造成用户的损失。

传统杀毒软件和防火墙依赖于简单的特征码匹配技术进行查杀或隔离，导致加密过的恶意流量数据很难检测，如何对恶意加密流量进行检测成为了网络安全领域研究的热点。 人工智能技术的出现和飞速发展使其在加密恶意流量的检测中发挥了至关重要的作用，通过对恶意流量分析发现，通信中的恶意流量包往往在传输数量、包大小、载荷数据等方面具有不同于正常流量的特征，将机器学习算法运用到这些特征中则可以达到检测加密流量是否恶意的目的，但采用传统的分类器算法训练出的模型具有泛化能力差，检测效果不明显的缺点。

根据上述问题和传统机器学习分类器的检测方法存在的缺点，本文提出了一种基于集成学习的恶意加密流量检测方法，该方法使用随机森林分类器对数据集进行训练并测试。……