簡介面向網(wǎng)絡(luò)安全研究與深度學(xué)習(xí)開發(fā)者的加密流量識別模型源碼包針對傳統(tǒng)特征工程難以捕捉加密流量隱蔽模式、誤報率偏高等問題提供一套端到端的深度學(xué)習(xí)解決方案。模型創(chuàng)新性融合LeNet、AlexNet與全局平均池化GAP結(jié)構(gòu)LeNet擅長提取基礎(chǔ)卷積特征AlexNet引入更深層與ReLU激活增強非線性表達能力GAP則替代全連接層降低參數(shù)量、緩解過擬合三者結(jié)合可有效提升加密流量分類的準確率與魯棒性。壓縮包共29個文件體積僅73KB包含20個Python源文件、2個gitignore版本控制文件、1個txt說明文檔、1個cfg配置文件、4個keep占位文件及LICENSE許可協(xié)議目錄按AlexNet、GAP等子模塊劃分結(jié)構(gòu)清晰便于快速定位模型代碼。目前已有638人學(xué)習(xí)下載體現(xiàn)出其對流量識別研究與實踐的參考價值。使用者可獲得從數(shù)據(jù)集劃分、預(yù)處理到模型定義、訓(xùn)練、評估的完整Python腳本能夠直接運行或按需修改輔助開展網(wǎng)絡(luò)流量分析、異常檢測與安全審計等實驗。1. 加密流量識別為什么值得自己跑一遍LeNet、AlexNet、GAP 三模型源碼拆解解壓這份源碼的時候我先把 readme.txt 翻了一遍再掃目錄結(jié)構(gòu)20 個 Python 源文件LeNet、AlexNet、GAP 三個模型各占一個目錄每個目錄里都自帶 dataset.py、model.py、main.py、metrics.py。這種組織方式在開源項目里其實不多見多數(shù)項目只給一個模型頂多換幾個參數(shù)跑實驗而這份源碼把三種結(jié)構(gòu)放在同一套數(shù)據(jù)流程下天然就是為了對比實驗準備的。它解決的問題很具體在密文載荷無法直接解讀的加密流量上用卷積網(wǎng)絡(luò)自動提取包的形態(tài)特征把不同的應(yīng)用或協(xié)議區(qū)分開。對于正在做網(wǎng)絡(luò)安全管理、拿流量分類當畢設(shè)題目、或者想驗證經(jīng)典 CNN 系列在自己數(shù)據(jù)集上表現(xiàn)的從業(yè)者這套代碼比從零搭三套網(wǎng)絡(luò)省事得多。而且它的取舍有點反直覺——在這個任務(wù)上經(jīng)典結(jié)構(gòu)加全局平均池化的組合往往比無腦堆深度更穩(wěn)。2. 數(shù)據(jù)怎么變成模型能吃的形狀preprocessing 與 create_train_test_set 是整套項目的地基拿到源碼的第一件事不是看模型結(jié)構(gòu)而是順著數(shù)據(jù)文件把鏈路走一遍。流量識別這個方向翻車大多發(fā)生在數(shù)據(jù)加工這一層而不是網(wǎng)絡(luò)結(jié)構(gòu)。項目根目錄 EncryptedTrafficAlanysis 下有 preprocessing.py、create_train_test_set.py、dataset.py工具函數(shù)被拆在頂層 utils.py 和 ml 目錄里的 utils.py 兩份LeNet、AlexNet、GAP 三個模型目錄各自帶著 model.py、main.py、metrics.py、dataset.py。這說明三套網(wǎng)絡(luò)共用同一份數(shù)據(jù)準備流程每套模型有獨立的訓(xùn)練入口和評估入口改成自己的數(shù)據(jù)集時只需要動前半條鏈路。2.1 文件結(jié)構(gòu)里的分工三個模型目錄共享同一套數(shù)據(jù)管線先把核心文件的職責(zé)拆清楚后面調(diào)參時才知道該改哪個文件。文件職責(zé)preprocessing.py讀取原始流量數(shù)據(jù)按包切分、定長裁剪、歸一化輸出中間特征create_train_test_set.py按流劃分訓(xùn)練、驗證、測試集合生成特征文件和標簽文件dataset.py封裝 PyTorch Dataset供 DataLoader 按批次加載utils.py頂層與 ml 目錄公共工具包括包解析、特征統(tǒng)計、文件 IO各模型目錄的 model.py定義各自的卷積網(wǎng)絡(luò)結(jié)構(gòu)各模型目錄的 main.py訓(xùn)練入口讀取數(shù)據(jù)、迭代 epoch、保存權(quán)重各模型目錄的 metrics.py計算準確率、精確率、召回率、F1 與混淆矩陣我一般會把預(yù)處理輸出落盤成 .npz 或 .npy再交給 dataset.py 讀取這樣調(diào)模型時不會反復(fù)重跑原始流量解析。這個項目的鏈路也正是順著這個思路走的preprocessing.py 負責(zé)把原始 pcap 或 CSV 轉(zhuǎn)成中間張量create_train_test_set.py 負責(zé)把它切成三份并寫標簽dataset.py 在訓(xùn)練時按索引取數(shù)。三個模型目錄里的 dataset.py 內(nèi)容基本一致因為喂給三套網(wǎng)絡(luò)的應(yīng)當是同一份中間產(chǎn)物否則對比實驗就不公平了。2.2 加密流量里到底“看”什么包長、方向與載荷熵加密后的載荷是不可讀的密文基于明文關(guān)鍵詞的檢測思路直接失效。但 TLS、SSH、QUIC 這類流量仍然保留著可觀測的形態(tài)特征包長的分布、包到達的時間間隔、流的持續(xù)時間、上下行方向的比例以及載荷字節(jié)的熵值。這些特征組合起來足以讓卷積網(wǎng)絡(luò)學(xué)到不同協(xié)議或應(yīng)用之間的差異。這就是為什么 CNN 能用在加密流量識別上——它不一定需要理解內(nèi)容只需要捕捉包的“形狀”。把一條流喂給卷積網(wǎng)絡(luò)最常見的做法是編碼成二維矩陣。一個維度是包在流中的位置另一個維度是每個包的特征切片。比如一條流截取前 32 個包每個包取前 64 字節(jié)作為載荷圖像就得到 32×64 的矩陣也可以把包長、方向、熵值這些一維序列堆疊在一起形成多通道的“特征圖”。源碼 preprocessing.py 的核心工作就是完成這一步轉(zhuǎn)換具體實現(xiàn)思路和下面這段示意類似# 把一條流的前 N 個包、每包前 M 字節(jié)轉(zhuǎn)成二維矩陣 def load_flow_to_matrix(flow_packets, max_packets32, packet_slice64): # flow_packets 是按抓包順序排列的包列表每個包有 payload 字段 matrix np.zeros((max_packets, packet_slice), dtypenp.float32) for idx, packet in enumerate(flow_packets[:max_packets]): payload bytes(packet.payload[:packet_slice]) matrix[idx, :len(payload)] np.frombuffer(payload, dtypenp.uint8) / 255.0 return matrix從這段代碼可以看到兩個關(guān)鍵參數(shù)max_packets 控制一條流最多取多少個包packet_slice 控制每個包取多少個字節(jié)。歸一化必須除以 255因為載荷字節(jié)的取值范圍是 0 到 255不歸一化直接進網(wǎng)絡(luò)梯度很容易炸。max_packets 的取值通常在 32 到 64 之間packet_slice 在 64 到 128 之間這是公開流量數(shù)據(jù)集上表現(xiàn)比較穩(wěn)定的區(qū)間。取值太小特征不夠取值太大大量補零會把噪聲帶進模型這一點后續(xù)避坑章節(jié)還會提到。2.3 數(shù)據(jù)集劃分與標簽對齊create_train_test_set 的關(guān)鍵參數(shù)數(shù)據(jù)處理鏈路里最容易被忽略的是劃分腳本。create_train_test_set.py 負責(zé)把中間特征按比例切成訓(xùn)練、驗證、測試三個集合并生成對應(yīng)的標簽文件。注意這里必須按“流”劃分不能按“包”劃分——同一會話的前后包高度相關(guān)如果同一流的一部分包進了訓(xùn)練集、另一部分進了驗證集驗證指標會虛高模型實際泛化能力遠沒有顯示出來的那么好。python create_train_test_set.py \ --data_dir ./raw_flows \ --out_dir ./data \ --train_ratio 0.7 \ --val_ratio 0.15 \ --test_ratio 0.15 \ --seed 42train_ratio、val_ratio、test_ratio 三個比例加起來必須等于 1seed 固定成同一個值才能保證每次劃分結(jié)果一致實驗才具備可復(fù)現(xiàn)性。跑完之后建議立刻打開生成的標簽文件檢查一下類別名和數(shù)字 id 的映射是否和你的預(yù)期一致。因為很多腳本會按文件名排序后自動編號class 0 不一定是你直覺里的第一個類別如果標簽對不上后面所有指標都失去意義。這一步檢查 30 秒能省掉后面半天的排查時間。3. 三個模型跑通加微調(diào)LeNet 做基線、AlexNet 上強度、GAP 負責(zé)壓參數(shù)量數(shù)據(jù)鏈路跑通之后重點才輪到模型。這個項目把 LeNet、AlexNet 和 GAP 三套結(jié)構(gòu)放在同一套數(shù)據(jù)管線里本身就說明了它的用途用同一個訓(xùn)練集、同一個評估腳本跑出三組指標做橫向?qū)φ?。我按這個思路跑了一遍訓(xùn)練入口、參數(shù)設(shè)置和結(jié)果讀取方式下面逐步拆開。3.1 為什么選這三個結(jié)構(gòu)從感受野到參數(shù)量三個模型的選擇是有層次感的不是隨機拼湊。LeNet 是最早的卷積網(wǎng)絡(luò)之一只有少量卷積層和池化層結(jié)構(gòu)簡單、收斂快適合做基線在 32×64 這種小矩陣輸入上它的 5×5 卷積核已經(jīng)能覆蓋足夠大的感受野。AlexNet 比 LeNet 深不少卷積核更大、通道數(shù)更多特征提取能力更強但參數(shù)量和計算量也明顯上漲把它用在流量矩陣上需要先把輸入調(diào)整到合適尺寸。GAP 則不是獨立的完整網(wǎng)絡(luò)而是一個替換掉全連接層的結(jié)構(gòu)設(shè)計——把最后一層卷積的特征圖直接做全局平均池化再輸出到分類層。在加密流量這個場景里GAP 的價值尤其明顯。流量數(shù)據(jù)集的規(guī)模通常遠小于 ImageNet訓(xùn)練樣本不夠多時全連接層是最容易過擬合的部分幾千個參數(shù)去擬合少數(shù)樣本訓(xùn)練集準確率漂亮驗證集一塌糊涂。GAP 把全連接層參數(shù)幾乎清零讓網(wǎng)絡(luò)更依賴卷積層提取的局部特征相當于給模型加了一層正則。用這套源碼做實驗時可以把三個模型的輸出放在一起比較參數(shù)量LeNet 最輕AlexNet 最重GAP 融合結(jié)構(gòu)通常比同等深度的全連接版本輕一個量級而驗證集指標不一定輸。3.2 每個目錄下的 main.py 怎么跑命令行參數(shù)怎么設(shè)三個模型目錄各自有獨立的 main.py參數(shù)設(shè)計大致一致。先跑基線再跑增強結(jié)構(gòu)最后跑 GAP 融合版本這樣一組對照就有了。# 在 LeNet 目錄下跑基線模型 python main.py --data_dir ../data --epochs 50 --batch_size 64 --lr 0.001 # 在 AlexNet 目錄下跑增強結(jié)構(gòu) python main.py --data_dir ../data --epochs 50 --batch_size 64 --lr 0.0005 # 在 GAP 目錄下跑融合 GAP 的版本 python main.py --data_dir ../data --epochs 50 --batch_size 64 --lr 0.001--data_dir 指向 create_train_test_set.py 生成的輸出目錄保證三個模型讀的是同一份數(shù)據(jù)--epochs 設(shè)成 50 是這類中小型數(shù)據(jù)集的常見選擇流量識別任務(wù)的收斂速度通常比圖像分類快30 到 50 輪足夠看到趨勢--batch_size 設(shè)為 64 是兼顧顯存和訓(xùn)練穩(wěn)定性的折中--lr 這里故意讓 AlexNet 用了 0.0005因為結(jié)構(gòu)變深之后同樣的學(xué)習(xí)率容易在訓(xùn)練初期震蕩。三個模型跑完對比驗證集準確率和 F1基本能看出結(jié)構(gòu)差異帶來的影響。3.3 訓(xùn)練結(jié)束后看什么metrics.py 的輸出與權(quán)重保存訓(xùn)練日志會記錄每個 epoch 的 loss 和驗證指標但我不建議只看最后一個 epoch 的結(jié)果因為后期可能已經(jīng)過擬合。常見做法是保存驗證指標最好的那個權(quán)重文件而不是最后一輪源碼里一般用 best_model.pt 來命名這類檢查點。加載做推理時要留意兩步import torch from model import Net model Net() checkpoint torch.load(./best_model.pt, map_locationcpu) model.load_state_dict(checkpoint[model_state_dict]) model.eval()torch.load 的 map_location 參數(shù)很關(guān)鍵在 GPU 上訓(xùn)練的權(quán)重加載到 CPU 環(huán)境推理時不指定它可能直接報顯存相關(guān)錯誤。model.eval() 也必須調(diào)用它會把 Dropout 和 BatchNorm 切到推理模式不調(diào)用 eval 的話同一批數(shù)據(jù)每次前向結(jié)果都可能不同。metrics.py 在訓(xùn)練結(jié)束后會計算準確率、精確率、召回率和混淆矩陣這三個模型目錄里都有同名文件說明三套結(jié)構(gòu)可以分別輸出評估結(jié)果方便橫向?qū)Ρ取?. 避坑指南加密流量分類最容易翻車的五個原因這套源碼我前前后后跑了三輪踩過的坑大部分不在模型本身而在數(shù)據(jù)和評估上。這里挑五個典型的記錄一下每條按現(xiàn)象、原因、解決的順序?qū)懛奖隳銓μ柸胱?.1 準確率很高但驗證集亂跳類別極端不平衡現(xiàn)象訓(xùn)練 loss 下降很平穩(wěn)驗證準確率卻忽高忽低甚至某些類別永遠預(yù)測不對。原因流量數(shù)據(jù)天然不平衡某幾類應(yīng)用流量占比極高模型學(xué)成了“多數(shù)派分類器”——全預(yù)測成占比最高的類別準確率照樣很高但少數(shù)類的召回率接近零。解決先看類別分布訓(xùn)練時給少數(shù)類更高的采樣權(quán)重或者用 WeightedRandomSampler 做重采樣評估時別只看準確率把 macro-F1 當成主要指標它會對少數(shù)類更敏感。metrics.py 里的精確率和召回率就是用來干這個的。4.2 驗證指標好得離譜換數(shù)據(jù)就崩劃分泄漏現(xiàn)象驗證集準確率 97%一放到新抓的流量上就掉到 75%差距大得反常。原因劃分數(shù)據(jù)時按“包”隨機切分同一個流的前后包被分到了訓(xùn)練集和驗證集模型相當于提前見過了答案。加密流量的時序相關(guān)性很強同一個 TLS 會話里前后的包特征高度相似這種泄漏在流量識別里特別隱蔽。解決create_train_test_set.py 必須按流維度劃分一條流的所有包只能落在一個集合里。跑完劃分后抽幾條流檢查一下確認同一個流標識沒有同時出現(xiàn)在兩個集合里。4.3 載荷矩陣大量補零模型把補零當成了特征現(xiàn)象訓(xùn)練曲線很漂亮但把測試集里偏短的包裁剪到同樣長度后分類結(jié)果明顯偏向某些類。原因定長裁剪時長度不足的包會在右側(cè)補零補零區(qū)域成了穩(wěn)定不變的“黑色帶”。如果不同類別的平均包長不同卷積核就能靠這個補零區(qū)域的分布來分類相當于學(xué)了一個假特征而不是流量內(nèi)容。解決處理時用一個 mask 標記有效長度讓卷積層忽略填充區(qū)或者在預(yù)處理階段直接截斷更長的包而不是所有包都補到同一個長度。GAP 結(jié)構(gòu)在這一點上有個小優(yōu)勢全局平均池化會天然稀釋補零區(qū)域的權(quán)重但 LeNet 和 AlexNet 的全連接層會把補零特征放大。4.4 換了個切片長度實驗結(jié)果完全對不上現(xiàn)象前一天跑 LeNet 驗證 F1 是 0.88今天換了 packet_slice 從 64 改成 128所有模型的結(jié)果都變了且不是單調(diào)變好。原因包長分布是加密流量識別里區(qū)分度最高的特征之一切片長度一變相當于換了一個特征空間。這不是 bug是流量數(shù)據(jù)的敏感性。解決做模型對比實驗時預(yù)處理參數(shù)一旦定下來就不要動三個模型必須用同一份中間產(chǎn)物。我一般會把預(yù)處理輸出固定成文件名里帶參數(shù)的 .npz比如 raw_flows_p32_s64.npz換參數(shù)就等于換文件不會互相覆蓋。提示readme.txt 里如果寫了推薦的預(yù)處理參數(shù)優(yōu)先以它為準。不確定時從 32 包、64 字節(jié)這個常見組合開始穩(wěn)定之后再微調(diào)。4.5 顯存溢出不是模型太大是 batch 太大現(xiàn)象AlexNet 目錄下訓(xùn)練沒跑幾步就報 CUDA out of memory。原因把輸入 resize 到 224×224 的 ImageNet 尺寸再加上默認 batch_size顯存迅速見底。加密流量識別的輸入矩陣通常不需要那么大的分辨率64×64 甚至 32×64 就夠用。解決batch_size 從 64 降到 16 或 8同時確認數(shù)據(jù)加載時沒有在 Dataset 里做多余的高分辨率變換。如果還想跑大 batch可以考慮梯度累積但流量識別這類小數(shù)據(jù)任務(wù)沒有這個必要。5. 把評估落到分類級別用混淆矩陣定位誤報比盯著準確率有用訓(xùn)練跑完準確率只是一個鈍指標。在加密流量識別這個任務(wù)里真正有用的是分類級別的評估看哪兩個類別最容易互相混淆模型在哪些流量上誤報誤報成什么類別?；煜仃嚲褪亲鲞@個的。metrics.py 里通常會輸出一個類別 × 類別的矩陣行代表真實標簽列代表預(yù)測標簽。對角線的值越大越好非對角線的亮點就是你模型最薄弱的地方。具體排查時我會先把混淆矩陣導(dǎo)出成 CSV然后按誤報數(shù)量排序找出最高的幾個非對角項。比如某次實驗里發(fā)現(xiàn) SSH 流量經(jīng)常被預(yù)測成 SFTP這兩個協(xié)議都屬于加密遠程管理類包長分布和方向序列確實接近在這種情況下調(diào)整預(yù)處理參數(shù)比換模型結(jié)構(gòu)更有效因為瓶頸在特征區(qū)分度而不是分類器容量。定位誤報之后還有一個技巧值得養(yǎng)成把預(yù)測置信度低的樣本單獨導(dǎo)出逐個看原始流的信息。一份典型的排查流程是這樣# 把驗證集里置信度低于 0.7 且預(yù)測錯誤的樣本單獨存出來 def dump_low_confidence_samples(model, dataloader, threshold0.7): model.eval() with torch.no_grad(): for batch in dataloader: features, labels, flow_ids batch probs torch.softmax(model(features), dim1) conf, pred probs.max(dim1) for i in range(len(conf)): if conf[i] threshold and pred[i] ! labels[i]: print(flow_ids[i], labels[i].item(), pred[i].item(), conf[i].item())這段代碼的作用是把低置信度誤判樣本的 id 和真實、預(yù)測標簽打出來方便回到抓包里定位那條流。threshold 參數(shù)控制輸出范圍設(shè) 0.7 是常見起點如果你發(fā)現(xiàn)低置信度誤判大多來自某一種協(xié)議可以針對性調(diào)整預(yù)處理參數(shù)而不必盲目加大模型。從那以后我每次跑完加密流量識別項目都強制走一遍這條流程看混淆矩陣、按誤報數(shù)排序、導(dǎo)出低置信度樣本、回原始流量核對。這套流程不復(fù)雜但能避免好幾次對著準確率盲目調(diào)參的彎路希望幫到你。本文還有配套的精品資源點擊獲取