0 引言

　　VoIP(Voice over Internet Protocol)業(yè)務(wù)成本低、部署方便,，在語音通信業(yè)務(wù)中的比例持續(xù)上升,，其發(fā)展帶來機遇的同時也給網(wǎng)絡(luò)安全運行帶來了巨大挑戰(zhàn)[1]。因此,，對VoIP業(yè)務(wù)進行管控非常重要,，高精度在線流量識別也成為眾多研究領(lǐng)域的熱點與難點。

　　目前，主流VoIP流量識別方法主要包括兩大類：基于流特征的VoIP流量識別與基于機器學(xué)習(xí)的VoIP流量識別,。文獻[2]最早利用流特征進行流量分類,，提出249種具體的流特征，并提供10組可用的流量數(shù)據(jù)集,。文獻[3]針對數(shù)據(jù)流中一段時間內(nèi)的數(shù)據(jù)包長和包時間間隔,，統(tǒng)計其分布范圍、均值,、中值與方差等特征作為VoIP流量識別的依據(jù),。上述文獻識別精度不高，基于流特征的識別方法對不同類型的網(wǎng)絡(luò)流量適應(yīng)性也較低,?；跈C器學(xué)習(xí)的識別方法主要集中于離線識別，對于在線VoIP流量識別的研究并不多[4-7],。文獻[4]實現(xiàn)了基于WEKA庫文件的Skype流量在線檢測工具,，但存在無netAI工具更新、無可視化界面,、算法單一等缺陷,。文獻[5]改進了支持向量機算法，能夠節(jié)省1/4的識別時間,，但仍然無法滿足在線識別的實時性要求,。文獻[6]基于流統(tǒng)計特征，利用機器學(xué)習(xí)算法構(gòu)建分類器模型,，系統(tǒng)在線識別精度為93%,。其不足之處在于，沒有研究在線識別系統(tǒng)的實時性,，并不是真正意義上的在線識別,。文獻[7]基于開源數(shù)據(jù)挖掘工具WEKA中的機器學(xué)習(xí)算法，針對特定應(yīng)用Skype提出并設(shè)計出一種基于決策理論的識別工具,，然而只能達到82%的精度,，無法滿足大流量環(huán)境下的高精度識別。從目前的研究成果來看,，在線識別的難點主要在兩方面：一是無法滿足較高實時性要求,，二是無法實現(xiàn)高精度識別。

　　針對以上問題,，本文設(shè)計了VoIP流量在線識別系統(tǒng),，不僅能實現(xiàn)實時在線識別，且識別精度高達到92%,。

1 VoIP流量在線識別系統(tǒng)

　　本文所設(shè)計的系統(tǒng)中,，數(shù)據(jù)流定義為兩個主機之間交換的連續(xù)數(shù)據(jù)包,。同一條流中所有數(shù)據(jù)包的五元組相同（五元組包括源地址、目的地址,、源端口,、目的端口和傳輸協(xié)議）。構(gòu)建訓(xùn)練集的過程需對數(shù)據(jù)包進行分流,，根據(jù)思科分流定義,，單條TCP流須包含完整語義的開始時刻（SYN）和結(jié)束時刻（FIN/RST），UDP流中兩個包之間的時間間隔不超過30 s[8],。

　　1.1 在線識別系統(tǒng)原理

　　在線識別系統(tǒng)分為離線分類器建模和在線識別,。其中，離線分類器建模如圖1所示,，預(yù)處理模塊對PCAP文件格式的數(shù)據(jù)集進行分流,，并轉(zhuǎn)化為WEKA工具所能識別的CSV文件格式，同時統(tǒng)計每個數(shù)據(jù)流的流特征構(gòu)建成訓(xùn)練集,。算法學(xué)習(xí)模塊采用Best first search算法和CSF算法去除候選特征中的冗余且不相關(guān)的流特征,，獲得最優(yōu)特征子集，再調(diào)用機器學(xué)習(xí)算法對訓(xùn)練集進行學(xué)習(xí)并搭建分類器模型,。最后,，通過相關(guān)指標評估獲得最優(yōu)分類器模型。

圖1  離線分類器框圖

　　如圖2所示,，本文所設(shè)計的在線識別系統(tǒng)建立在獲得離線分類器的基礎(chǔ)上,，提出JPcap邊抓包邊檢測機制，利用JPcap庫編寫探嗅器控制底層網(wǎng)卡抓取數(shù)據(jù)包,，同時分流模塊對數(shù)據(jù)包分流并統(tǒng)計流特征,。設(shè)定流量累積時間，每次達到閾值時間30 s,，將統(tǒng)計好的數(shù)據(jù)流作為測試集送入離線狀態(tài)下構(gòu)建好的分類器進行識別,，并將識別出的VoIP流量以IP地址的形式輸出到系統(tǒng)界面，動態(tài)顯示網(wǎng)絡(luò)中VoIP電話狀態(tài),。

圖2  在線識別系統(tǒng)

　　1.2 預(yù)處理模塊

　　預(yù)處理模塊在離線狀態(tài)進行,，為系統(tǒng)搭建分類器提供完整訓(xùn)練集。該模塊包括獲取數(shù)據(jù)集,、文件格式轉(zhuǎn)換與分流統(tǒng)計構(gòu)建訓(xùn)練集。

　　1.2.1 獲取數(shù)據(jù)集

　　使用Wireshark軟件抓取PC中運行的特定應(yīng)用類型流量獲取數(shù)據(jù)集,，通過配置交換機鏡像端口將抓取單個PC產(chǎn)生的流量擴展為整個局域網(wǎng)產(chǎn)生的流量,。同時使用文獻[4]中提到的Moore數(shù)據(jù)集與Tstat網(wǎng)[9]提供的Skype數(shù)據(jù)集。此外,，在數(shù)據(jù)集中新增PC-PHONE端的VoIP類型流量,，使系統(tǒng)同時具備PC-PC端與PC-PHONE端VoIP電話的識別能力。

　　1.2.2 文件格式轉(zhuǎn)換

　　Wireshark軟件數(shù)據(jù)包的存儲格式為PCAP格式。PCAP文件頭包括：數(shù)據(jù)鏈路層14 B包頭+20 B IP包頭+20 B TCP或UDP包頭,。預(yù)處理模塊通過分析PCAP文件頭信息,，編程實現(xiàn)五元組、時間戳及數(shù)據(jù)包長等流特征信息的提取,，并轉(zhuǎn)換為WEKA能識別的CSV文件格式,。

　　1.2.3 分流統(tǒng)計構(gòu)建訓(xùn)練集

　　首先在五元組相同且滿足思科分流定義的條件下，對Wireshark抓取的數(shù)據(jù)包進行分流,，利用文獻[2]提供的fullstats分流器,，在Linux系統(tǒng)中實現(xiàn)分流。完成數(shù)據(jù)包分流后,，統(tǒng)計數(shù)據(jù)流的相關(guān)流特征,，并將統(tǒng)計后的數(shù)據(jù)流作為最終訓(xùn)練集。

　　1.3 流特征選擇

　　文獻[2]提出了249種流特征,，若對每個特征進行統(tǒng)計,，將耗費大量的計算時間，成本過高,，且并不是所有流特征都適用于VoIP流量識別,，因此需要去除不相關(guān)且冗余的流特征，以達到提高模型精確度,，減少運行時間的目的,。本設(shè)計根據(jù)VoIP語音電話特有的通信屬性對其進行初步篩選，得出20個候選流特征再進行特征選擇,。特征選擇首先從候選特征集中產(chǎn)生一個特征子集,，然后用評價函數(shù)對該特征子集進行評價，將評價的結(jié)果與停止準則進行比較,，若評價結(jié)果比停止準則好就停止,，否則就繼續(xù)產(chǎn)生下一組特征子集，直到獲得評價最高的特征子集,。本文使用Best first search搜索算法從候選特征集中產(chǎn)生特征子集,，然后用CFS（Correalation-based Feature Selection）算法進行評估，得到12個相關(guān)性最好,、得分最高的特征子集,，如表1所示。

　　1.4 機器學(xué)習(xí)算法

　　本文著重研究C4.5決策樹算法,，為增強系統(tǒng)可擴展性,，另在系統(tǒng)中集成了樸素貝葉斯算法（NaiveBayes）與支持向量機算法（SVM）。

　　C4.5決策樹是一種經(jīng)典的分類與回歸算法,。決策樹的數(shù)據(jù)結(jié)構(gòu)由內(nèi)部節(jié)點和葉子節(jié)點組成,，內(nèi)部節(jié)點代表一個特征屬性,，葉子節(jié)點代表一個類別[10]。算法的處理過程分為以下幾個步驟：首先,，計算數(shù)據(jù)集D的經(jīng)驗熵H(D),，熵是一種不純度度量準則：

　　式中，pi是屬于第i類的概率,。其次,，計算特征A對數(shù)據(jù)集D的經(jīng)驗條件熵H(D|A)：

　　進一步得出信息增益為：

　　信息增益比為：

　　式中HA(D)為屬性A的信息熵。依次選取信息增益比最大的特征Ag分割數(shù)據(jù)集D為Di,，將Di中最大的類作為子節(jié)點再遞歸調(diào)用得到子樹Ti,。最終經(jīng)過“悲觀剪枝”修剪決策樹得到損失函數(shù)最小的子樹。

　　樸素貝葉斯是基于貝葉斯定理與特征條件獨立假設(shè)的分類方法,。對于給定的訓(xùn)練集,，首先基于特征條件獨立假設(shè)學(xué)習(xí)輸入/輸出的聯(lián)合概率分布，再基于此模型,，對給定的輸入x,，利用貝葉斯定理求出后驗概率最大的輸出y。樸素貝葉斯的算法效率高,，是一種常用的分類算法,。

　　支持向量機是一種二分類模型，基本模型是定義在特征空間上的間隔最大的線性分類器,。其學(xué)習(xí)策略是間隔最大化,，可形式化為一個求解凸二次規(guī)劃的問題，也等價于正則化的合頁損失函數(shù)的最小化問題,。

　　1.5 在線識別——JPcap邊抓包邊檢測機制

　　在線識別的關(guān)鍵技術(shù)是實現(xiàn)在線抓包同時短時間內(nèi)識別出目標流量,。本文致力于尋找一個能實現(xiàn)Window系統(tǒng)下在線抓包的工具，而JPcap庫正是實現(xiàn)這一想法的重要類庫,。

　　JPcap庫是Keita Fujiiy開發(fā)的一套能夠捕獲,、發(fā)送網(wǎng)絡(luò)數(shù)據(jù)包的Java類庫[11]。Java語言雖然在TCP/UDP傳輸方面給予了良好的定義,，但對于網(wǎng)絡(luò)層以下的控制卻無能為力,。JPcap類庫給Java語言提供一個公共接口，類庫使用libpcap和原始套接字API,，調(diào)用Jini獲得JavaAPI中的數(shù)據(jù),，實現(xiàn)Java語言對底層網(wǎng)卡的控制與鏈路層數(shù)據(jù)包的獲取。

　　本文提出JPcap邊抓包邊檢測機制,，基于JPcap庫編寫探嗅器實現(xiàn)在線抓包,。利用JPcap庫所抓取的數(shù)據(jù)包對象是單個數(shù)據(jù)包。因此,，系統(tǒng)在抓包的同時能實現(xiàn)對單個數(shù)據(jù)包按五元組分流并統(tǒng)計其流特征,。每當(dāng)統(tǒng)計時間達到所設(shè)置的閾值時間30 s時，便將這段時間內(nèi)統(tǒng)計好的數(shù)據(jù)流作為測試集送入分類器進行識別,，輸出識別的VoIP流IP地址,，動態(tài)顯示網(wǎng)絡(luò)中VoIP的狀態(tài)，實現(xiàn)真正意義上的VoIP流量實時在線識別系統(tǒng),。

2 實驗結(jié)果與分析

　　實驗環(huán)境：新西蘭懷卡托大學(xué)基于Java開發(fā)的開源數(shù)據(jù)挖掘平臺weka3.6,、一臺裝有Windows 7操作系統(tǒng)和Eclipes的個人PC、一臺華為S5000交換機,。

　　2.1 評價指標

　　評價二分類類型的分類器性能指標為：精度（precision）,、召回率（recall）、F1值,。實驗以VoIP類為正類,，非VoIP類為負類，分類器在測試集上預(yù)測結(jié)果為正確或錯誤,?？赡艹霈F(xiàn)的4種情況記：TP，將正類預(yù)測為正類數(shù),；FN,，將正類預(yù)測為負類數(shù)；FP,，將負類預(yù)測為正類數(shù),；TN，將負類預(yù)測為負類數(shù),。進一步,，得到精度：

　　召回率為：

　　F1值為精度和召回率的調(diào)和均值：

　　2.2 實驗數(shù)據(jù)

　　本次實驗使用1.5G Skype流，包含了Skype 10個版本,，共計1 371條流,，其中371條為PC-PHONE端VoIP流量。非VoIP流量1G,，使用文獻[2]中提到的Moore數(shù)據(jù)集與通過鏡像端口抓取到的數(shù)據(jù)集,。整個訓(xùn)練集共34 371條數(shù)據(jù)流，覆蓋14種流量類型,，具體見表2,。

　　2.3 離線分類器模型結(jié)果分析

　　系統(tǒng)識別結(jié)果如圖3所示。離線建模過程如圖3上半部分所示,，步驟包括打開訓(xùn)練集文件,、選擇機器學(xué)習(xí)算法、建模,，圖中所示J48即C4.5決策樹算法,，結(jié)果框為分類器識別結(jié)果,，具體如圖4所示。

圖3  系統(tǒng)識別結(jié)果

圖4  分類器識別結(jié)果

　　實驗使用10折交叉驗證法評估出平均測試誤差最小的分類器,，由圖4可知,，分類器識別精度為99.9%，召回率為99.6%,。圖4最下方為混淆矩陣,，對于二分類問題，用2×2矩陣表示,，正對角線上表示正確分類的樣本,，反對角線表示被錯誤分類的樣本數(shù)，結(jié)果顯示有2個非VoIP樣本被分類成VoIP類,，6個Skype樣本被分類成非VoIP類,。實驗結(jié)果表明，本文所選取的最優(yōu)特征子集大幅提高了分類器的性能指標,。由于本文針對VoIP流包長,、時間間隔等關(guān)鍵屬性對流特征進行篩選，增強了機器學(xué)習(xí)算法的學(xué)習(xí)能力,，從而使得分類器識別性能大大提高,。

　　同樣地，對NaiveBayes和SVM算法分別進行實驗,，3個算法搭建的分類器識別結(jié)果對比圖如圖5所示,。可知,，基于C4.5決策樹算法分類器的3個評價指標均最高,。這是因為C4.5決策樹算法建模時不依賴于網(wǎng)絡(luò)流量類型的分布，對于不同類型的流量數(shù)據(jù)有更強的適應(yīng)能力,，在分析較大訓(xùn)練集時優(yōu)于依賴先驗概率的NaiveBayes算法,，且內(nèi)存需求小于SVM算法，因此得到了最好的識別精度,。

圖5  3種算法分類器結(jié)果對比

　　2.4 在線分類器識別結(jié)果分析

　　在線識別如圖3下半部分所示,。首先打開本地網(wǎng)卡開始抓包，設(shè)定混雜模式抓取流經(jīng)本地網(wǎng)卡的所有數(shù)據(jù)包,，同時對數(shù)據(jù)包進行分流并統(tǒng)計流特征,。每達到設(shè)定的30 s閾值時，選擇對應(yīng)算法的分類器對測試集進行在線識別,，識別出VoIP類型流量并以IP地址形式輸出到圖示結(jié)果框,。圖3僅是一次測試結(jié)果，3個IP地址均為VoIP通話主機地址，結(jié)果表明系統(tǒng)實時準確識別出了當(dāng)前網(wǎng)絡(luò)中的VoIP通話,。

　　接下來,，累積進行100次在線實驗，對比3種分類器在線識別精度,，結(jié)果如表3所示,。由表3可知，在線識別精度最高的分類器為基于C4.5算法的分類器,。

　　而作為在線識別系統(tǒng)，除精度以外,，還需考慮第二個核心指標——實時性,。這里也對3種算法的建模時間與識別時間進行對比，結(jié)果如表4所示,。由表4可得,，基于C4.5算法的在線識別時間最短，建模時間略低于NaiveBayes算法,，而NaiveBayes在線識別時間低于C4.5算法,，SVM建模與識別時間均最長。由于C4.5決策樹模型處理樣本時,，僅需根據(jù)網(wǎng)絡(luò)流流特征值自頂向下進行比較,，找到相應(yīng)葉節(jié)點即可，處理簡單,，處理效率更高,，因此識別速度更快。

　　結(jié)合表3,、表4的結(jié)果對精度與實時性指標進行分析,，得到C4.5決策樹算分類器識別精度最高，且在線實時性最好,；NaiveBayes分類器雖然建模時間短,，但在線實時性略差，且精度較低,；SVM分類器精度與實時性均不佳,。在實際應(yīng)用中應(yīng)同時保證高識別精度與實時性，因此本文選擇C4.5決策樹為系統(tǒng)的核心算法,。實驗結(jié)果表明,，本文所設(shè)計的VoIP流量在線識別系統(tǒng)確實能同時滿足高精度與實時性。

3 結(jié)束語

　　本文設(shè)計并實現(xiàn)了基于機器學(xué)習(xí)的VoIP流量在線識別系統(tǒng),，在大幅提高VoIP流量識別精度的同時保證了系統(tǒng)的實時性,，且有良好可視化界面。實驗結(jié)果表明,，本文所設(shè)計的VoIP流量在線識別系統(tǒng)離線識別精度達99.9%,，在線識別精度達92%,，且識別時間短，能夠快速識別出目標流量并顯示VoIP流量活動的IP地址,。不過,，本文的訓(xùn)練集未能涵蓋更多種類的流量類型，對未知流量識別仍有待提高,。未來的工作旨在建立一種更優(yōu)化的在線識別系統(tǒng),，繼續(xù)增強樣本容量，增加更多種類的流量類型并支持更多的算法,。

　　參考文獻

　　[1] 梁偉,，陳福才，李海濤.一種基于C4.5決策樹的VoIP流量識別方法[J].計算機應(yīng)用研究,，2012,，29(9)：3418-3421.

　　[2] MOORE A，ZUEV D,，CROGAN M.Discriminators for use in flow-based classification[M].Queen Mary and Westfield College,，Department of Computer Science，2005.

　　[3] OKABE T,，KITAMURA T,，SHIZUNO T.Statistical traffic identification method based on flow-level behavior for fair VoIP service[C].VoIP Management and Security，2006.1stIEEE Workshop on.IEEE,，2006：35-40.

　　[4] CALCHAND A O,，DINH V T，BRANCH P,，et al.Skype

　　[5] 魯剛,，張宏莉，葉麟.P2P流量識別[J].軟件學(xué)報,，2011,，22(6)：1281-1298.

　　[6] GU C，ZHANG S,，SUN Y.Realtime encrypted traffic identification using machine learning[J].Journal of Software,，2011，6(6)：1009-1016.

　　[7] DI MAURO M,，LONGO M.Skype traffic detection：A decision theory based tool[C].Security Technology(ICCST),，2014International Carnahan Conference on.IEEE，2014：1-6.

　　[8] 魯剛,，張宏莉,，葉麟.P2P流量識別[J].軟件學(xué)報，2011，22(6)：1281-1298.

　　[9] TCP statistic and analysis tool.[EB/OL].[2016-01-02].http：//tstat.tlc.polito.it/.

　　[10] 李航. 統(tǒng)計學(xué)習(xí)方法[M].北京：清華大學(xué)出版社,，2012.

　　[11] 石慧慧.基于Jpcap的網(wǎng)絡(luò)流量采集監(jiān)控系統(tǒng)研究與設(shè)計[D].南京：南京林業(yè)大學(xué),，2010.