一种面向未知链路帧的格式特征提取与分类算法

doi:10.7523/j.issn.2095-6134.2018.04.015

中国科学院大学学报 ›› 2018, Vol. 35 ›› Issue (4): 521-528.DOI: 10.7523/j.issn.2095-6134.2018.04.015

一种面向未知链路帧的格式特征提取与分类算法

薛开平, 柳彬, 李威, 洪佩琳

中国科学技术大学电子工程与信息科学系, 合肥 230026

收稿日期:2017-04-17 修回日期:2017-05-27 发布日期:2018-07-15
通讯作者: 薛开平
基金资助:
国家自然科学基金（61379129）和中国科学院青年创新促进会人才基金（2016394）资助

A format feature extracting and classifying algorithm for unknown data link frame

XUE Kaiping, LIU Bin, LI Wei, HONG Peilin

Department of Electronic Engineering and Information Science, University of Science and Technology of China, Hefei 230026, China

Received:2017-04-17 Revised:2017-05-27 Published:2018-07-15

摘要/Abstract

摘要： 随着通信网络的发展，私有协议被广泛应用。缺乏必要先验知识时，现有面向已知协议的解析工具无法获取私有协议数据承载的信息。获取私有协议数据承载的信息的前提是正确实现协议格式特征提取与数据分类。基于协议格式一般规律，提出一种针对私有链路协议的未知帧格式特征逆向提取与分类算法。通过链路帧预编码、固定域挖掘从帧样本集合提取帧格式特征并计算特征向量，最后基于特征向量加权欧氏距离对链路帧分类。测试结果表明，该算法能够有效提取帧格式特征，正确实现链路帧的提取和分类。

关键词: 私有协议, 未知链路帧, 格式特征, 分类

Abstract: With the rapid development of communication network, private protocol is widely adopted. Without necessary prior knowledge, the existing analyzing tools for the open protocols cannot be used for obtaining the information from the private protocol data. To get the information from the private protocol data, one has to extract the protocol format feature and classify the protocol data correctly. Based on the general rules of protocol format, a format feature reverse extracting and data classifying algorithm was proposed for unknown data link frame. By data link frame precoding and fixed-field mining, the frame format features can be extracted from the frame sample set and the feature vectors can be calculated. Finally, the data link frames are classified based on the weighted Euclidean distances between the feature vectors. The test results show that the proposed method can be used to extract the protocol format features effectively and to correctly classify the data link frames by using format features.

Key words: private protocol, unknown data link frame, format feature, classification

中图分类号:

TP393

薛开平, 柳彬, 李威, 洪佩琳. 一种面向未知链路帧的格式特征提取与分类算法[J]. 中国科学院大学学报, 2018, 35(4): 521-528.

XUE Kaiping, LIU Bin, LI Wei, HONG Peilin. A format feature extracting and classifying algorithm for unknown data link frame[J]. , 2018, 35(4): 521-528.

参考文献

[1] Narayan J, Shukla K, Clancy T C. A survey of automatic protocol reverse engineering tools[J]. ACM Computing Surveys, 2016, 48(3):1-26.
[2] Beddoe M. The protocol informatics project[EB/OL]. (2004).[2016-09-28]. http://www.4tphi.net/~awalters/PI/PI.html.
[3] Cui W, Paxson V, Weaver N, et al. Protocol-independent adaptive replay of application dialog[C]//Proceedings of the 13th Annual Network and Distributed System Security Symposium. IEEE, 2006:487-490.
[4] Cui W, Kannan J, Wang H J. Discoverer:automatic protocol reverse engineering from network traces[C]//Proceedings of the 16th USENIX Security Symposium. IEEE, 2007:199-212.
[5] Trifilo A, Burschka S, Biersack E. Traffic to protocol reverse engineering[C]//Proceedings of the Second IEEE International Conference on Computational Intelligence for Security and Defense Applications. IEEE, 2009:1-8.
[6] 朱玉娜, 韩继红, 袁霖, 等. SPFPA:一种面向未知安全协议的格式解析方法[J]. 计算机研究与发展, 2015, 52(10):2200-2211.
[7] 潘皤, 洪征, 周振吉, 等. 语义层次的协议格式提取方法[J]. 通信学报, 2013, 34(10):162-173.
[8] 任翔宇, 谈诚, 赵磊, 等. 识别数据结构的协议格式逆向推理方法[J]. 武汉大学学报(工学版), 2015, 48(2):269-273.
[9] 罗建桢, 余顺争, 蔡君.基于最大似然概率的协议关键词长度确定方法[J].通信学报, 2016, 37(6):119-128.
[10] 李伟明, 张爱芳, 刘建财, 等. 网络协议的自动化模糊测试漏洞挖掘方法[J]. 计算机学报,2011, 34(2):242-255.
[11] 孙钦东, 郭晓军, 黄新波. 基于多模式匹配的网络视频流识别与分类算法[J]. 电子与信息学报, 2009, 31(3):759-762.
[12] 王变琴, 余顺争. 未知网络应用流量的自动提取方法[J]. 通信学报, 2014, 35(7):164-171.
[13] 杨哲, 李领治, 纪其进, 等. 基于最短划分距离的网络流量决策树分类方法[J]. 通信学报, 2012, 33(3):90-102.
[14] Wright C, Monrose F, Masson G M. HMM profiles for network traffic classification[C]//Proceedings of the 2004 ACM workshop on Visualization and Data Mining for Computer Security, ACM, 2004:9-15.
[15] Wright C V, Monrose F, Masson G M. Towards better protocol identification using profile HMMs[R]. Technical Report JHU-SPAR051201, Johns Hopkins University, 2005.

一种面向未知链路帧的格式特征提取与分类算法

A format feature extracting and classifying algorithm for unknown data link frame

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	马田, 陈锟山, 刘玉, 李婷婷, 许镇. 随机介质背景下的空频TR-MUSIC成像方法[J]. 中国科学院大学学报, 2021, 38(2): 260-269.
[2]	冯齐心, 杨辽, 王伟胜, 陈桃, 黄双燕. 基于时序光谱重构的卷积神经网络遥感农作物分类[J]. 中国科学院大学学报, 2020, 37(5): 619-628.
[3]	唐思琦, 韩丛英, 郭田德. 基于机器学习的点集匹配算法[J]. 中国科学院大学学报, 2020, 37(4): 450-457.
[4]	赖训飞, 梁旭文, 谢卓辰, 李宗旺. 基于实体嵌入和长短时记忆网络的入侵检测方法[J]. 中国科学院大学学报, 2020, 37(4): 553-561.
[5]	赵择, 徐佑宇, 唐亮, 卜智勇. 基于改进一对一算法的网络流量分类[J]. 中国科学院大学学报, 2020, 37(4): 570-576.
[6]	李伯男, 赵彤, 吴敏. 基于胶囊网络的海量指纹纹型精准分类算法[J]. 中国科学院大学学报, 2020, 37(3): 387-397.
[7]	宋晗, 杨炜暾, 耿修瑞, 赵永超. 基于卷积神经网络与主动学习的高光谱图像分类[J]. 中国科学院大学学报, 2020, 37(2): 169-176.
[8]	康文佳, 林文辉, 张三国. 基于角度的变系数多分类支持向量机[J]. 中国科学院大学学报, 2019, 36(4): 449-460.
[9]	付盛, 薛原, 张三国. 基于角度的分类方法综述[J]. 中国科学院大学学报, 2019, 36(3): 289-298.
[10]	田洁, 王伟强, 孙翼. 一种免除二值化的视频叠加中文字符识别方法[J]. 中国科学院大学学报, 2018, 35(3): 402-408.
[11]	张妙然, 刘畅. 基于特征筛选和二级分类的极化SAR建筑提取算法[J]. 中国科学院大学学报, 2018, 35(1): 89-95.
[12]	江璐, 赵彤, 吴敏. 基于深度卷积神经网络的指纹纹型分类算法[J]. 中国科学院大学学报, 2016, 33(6): 808-814.
[13]	杨朝斌, 张树文, 卜坤, 于灵雪, 颜凤芹, 常丽萍, 杨久春. 高分辨率遥感影像在城市LUCC中的应用[J]. 中国科学院大学学报, 2016, 33(3): 289-297.
[14]	贾康康, 李军利, 乔从丰. 2×L×M×N×H 五体纠缠态分类[J]. 中国科学院大学学报, 2016, 33(3): 334-338.
[15]	公雪霜, 于丽君, 聂跃平, 朱建峰, 潘玉青. 辽宁西部地区先秦时期聚落遗址空间格局分析[J]. 中国科学院大学学报, 2016, 33(3): 373-379.