标签：缓解   实验   cat   目的   monitor   比特   SOS   校园   报告   

目录

• 架构
  • 测量模块
  • 分类模块
    • 具体实现
• 实验：最后接入巴塞罗那的校园网流量测试：

SBAR: SDN flow-Based monitoring and Application Recognition SOSR 2018 poster

# 摘要

• 检测系统，可以细化应用层分类。
• 基于DPI和Machine Learning分类，可以减少开销。
• 基于应用协议分类。

• 使用特定的 DPI 技术检测 web 和加密流量

• 解决问题：无法识别相同协议下的不同应用（如http下的Facebook，Twitter等）
• DPI：检测包负载，分类细化到应用协议下的具体应用。
• ML：分类细化到应用协议级别，缓解处理负担。

• 利用传输层特征值分析。

架构

测量模块

• 流测量报告：NetFlow/IPFIX
• Openflow流表：提供包比特数、duration
• 组表：解耦不同网络任务模块的操作

分类模块

• machine learning：对应用协议分类（SMTP，SSH）
• DPI：web和加密流分类

具体实现

• machine learning：分类C5.0 决策树，特征：源、目的端口，IP协议，最初一些包的大小。
• 训练集：使用nDPI提供的协议标签
• DPI：提取主机的HTTP头部，SSL/TLS 的 SNI 段，分析 DNS 流量推断应用（IP到域名的映射）
• C5.0决策树对流的应用协议分类
• Bro IDS 处理DNS、HTTP和加密流量
• SBAR 提供流层面的测量报告，并发往测量

实验：最后接入巴塞罗那的校园网流量测试：

精读 SBAR SDN flow-Based monitoring and Application Recognition

标签：缓解   实验   cat   目的   monitor   比特   SOS   校园   报告   

原文地址：https://www.cnblogs.com/vancasola/p/9813311.html