基于深度学习的非均衡网络流量分类增强方案

网络管理中最重要的任务之一是识别不同类型的流量流。为此，引入了一种称为网络流量分类器（NTC）的管理服务。近年来备受关注的某类 NTC 对数据包应用深度学习以分类流。互联网是一个非均衡环境，即某些应用类别的流量远多于其他类别，例如 HTTP。此外，深度学习方法的挑战之一是在非均衡环境下其在精确率、召回率和 $\mathrm{F_1}$ 度量等评价指标上表现不佳。为解决此问题，我们建议使用增强方法平衡数据集。本文提出一种新颖的数据增强方法，基于长短期记忆（LSTM）网络生成流量流模式，以及基于核密度估计（KDE）复制每类的数值特征。首先，我们使用 LSTM 网络学习并生成样本量较少类别的流中数据包序列。然后，基于某一特征的分布式估计（由 KDE 估计）生成随机值，补全序列的特征。最后，我们在大规模非均衡、采样和增强数据集上比较卷积循环神经网络（CRNN）的训练。通过每类应用的精确率、召回率和 F1 度量测量，在所有数据集上评估我们增强方案的贡献。结果表明，我们的方案非常适用于网络流量流数据集，并在上述指标上提升了深度学习算法的性能。