智能恶意流量识别分类与预测系统

随着以 5G 技术为代表的网络技术的快速发展,互联网已经在工业、金融、 教育等各个领域都广泛应用。然而,在互联网给我们的生活带来各种便利的同时,也带来了各种安全问题,各种特洛伊木马程序、蠕虫、病毒等恶意软件的数量和种类也在快速增多,为互联网用户的安全带来了更多的问题和隐患。为了保护普通用户在网络活动中的隐私信息,加密传输已经成为现有广泛应用的方式。然而，加密传输并不能保证安全，恶意软件开发者已经开始利用 TLS 来隐藏他们的恶意活动，从而逃避检测。为了更好的维护网络安全，我们提出了基于 LightGBM 算法的恶意流量的识别、分类与预测。首先，对抓包获得的流量数据集进行预处理；其次，在分析恶意流量和正常流量区别的基础上，进行特征降维，提取了其中能明显区别正常流量和恶意流量的特征因子集合；最后，利用 LightGBM 算法对加密流量进行识别、分类与预测。测试结果表明，基于 LightGBM 算法的恶意流量的识别与分类准确率较高，且在保持相当的分类准确性的基础上，具有更好的鲁棒性，适用性更广。此外，我们还开发了基于前端语言、python、React 框架和 express 框架的恶意流量识别、分类与预测系统。