近年來，用戶對隱私數(shù)據保護的需求不斷增加，使得網絡中加密流量的比例不斷提高。傳統(tǒng)面向非加密流量的測量分析技術難以識別和處理加密流量，因此實現(xiàn)有效的加密流量的測量和分析是網絡安全與管理的重要保障�！都用芰髁繙y量和分析/網絡新技術系列叢書》針對加密流量測量和分析的問題，介紹了加密流量識別、分類相關的研究方法。具體內容包括加密協(xié)議分析、加密與非加密流量識別、加密流量精細化識別的基礎研究，以及加密流量應用服務分類、TLS加密流量分類、HTTPS加密流量分類、加密視頻流量參數(shù)識別、加密惡意流量識別的研究工作�！都用芰髁繙y量和分析/網絡新技術系列叢書》的內容對深入研究網絡加密流量測量和分析方法具有重要的借鑒意義，為網絡管理、流量分析、網絡信息安全等提供了參考�！都用芰髁繙y量和分析/網絡新技術系列叢書》可供網絡空間安全、計算機科學、信息科學、網絡工程及流量工程等學科的科研人員、大學教師和相關專業(yè)的研究生和本科生使用，以及從事網絡安全、網絡工程及網絡測量的技術人員閱讀參考。
1 加密流量研究現(xiàn)狀
1．1 研究背景
1．2 研究意義
1．3 評價指標
1．4 相關研究目標與內容
1．5 未來研究方向
參考文獻
2 研究背景
2．1 加密流量分類概述
2．2 加密流量識別粒度相關研究
2．2．1 加密與未加密流量分類
2．2．2 加密協(xié)議識別
2．2．3 服務識別
2．2．4 異常流量識別
2．2．5 內容參數(shù)識別
2．3 加密流量精細化分類方法相關研究
2．3．1 基于有效負載的識別方法
2．3．2 數(shù)據報負載隨機性檢測
2．3．3 基于機器學習的識別方法
2．3．4 基于行為的識別方法
2．3．5 基于數(shù)據報大小分布的識別方法
2．3．6 混合方法
2．3．7 加密流量識別方法綜合對比
2．4 加密流量精細化分類的影響因素
2．4．1 隧道技術
2．4．2 代理技術
2．4．3 流量偽裝技術
2．4．4 HTTP／2．O及QUIC協(xié)議
2．5 加密網絡流特征變化相關研究
2．6 SSL／TLS加密應用分類相關研究
2．7 SSL／TLS加密視頻QoE參數(shù)識別相關研究
2．8 小結
參考文獻
3 數(shù)學理論方法
3．1 信息熵
3．2 隨機性測度
3．2．1 塊內頻數(shù)檢驗
3．2．2 游程檢驗
3．2．3 近似熵檢驗
3．2．4 累加和檢驗
3．3 C4．5 決策樹
3．3．1 決策樹的概念
3．3．2 C4．5 算法
3．4 深度學習網絡
3．4．1 CNN
3．4．2 自編碼器
參考文獻
4 加密協(xié)議分析
4．1 IPSec安全協(xié)議
4．1．1 IPSec-相關概念
4．1．2 報文首部認證協(xié)議（AH）
4．1．3 封裝安全荷載協(xié)議（ESP）
4．1．4 互聯(lián)網問密鑰交換協(xié)議（IKE）
4．1．5 IPSec協(xié)議實例分析
4．1．6 IPSec流量特征分析
4．1．7 小結
4．2 TLS安全協(xié)議
4．2．1 Handshake協(xié)議
4．2．2 Record協(xié)議
4．2．3 TLS相關子協(xié)議
4．2．4 TLSl．3 與TLSl．2 的區(qū)別
4．2．5 TLS協(xié)議實例分析
4．2．6 TLS流量特征分析
4．3 HTTPS安全協(xié)議
4．3．1 HTTP報文類型
4．3．2 HTTP／2．0的幀格式
4．3．3 HTTP／2．O與H1vrP／1．1 的區(qū)別
4．3．4 HTTPS的組成及原理
4．3．5 HTTPS工作流程抓包分析
4．3．6 HTTPS流特征分析
4．4 QUIC安全協(xié)議
4．4．1 QUIC的包類型與格式
4．4．2 QUIC的幀類型與格式
4．4．3 QUIC特點概述
4．4．4 QUIC工作流程抓包分析
4．4．5 QUIC流量特征分析
4．5 WannaCry分析
4．5．1 API HOOK技術
4．5．2 WannaCry原理
4．5．3 解密方法架構
4．5．4 實驗驗證
4．5．5 小結
參考文獻
5 加密與非加密流量識別
5．1 加密流量性質
5．2 加密流量識別方法
5．2．1 多元組熵
5．2．2 累加和檢驗
5．2．3 C4．5 決策樹算法
5．2．4 加密流量識別流程及算法
5．2．5 實驗結果與分析
5．3 真實網絡環(huán)境加密流量測量
5．3．1 數(shù)據集
5．3．2 識別流程
5．3．3 測量結果分析
5．4 小結
參考文獻
6 加密流量應用服務識別
6．1 基于選擇性集成的特征選擇方法
6．1．1 方法描述
6．1．2 穩(wěn)定性評估
6．1．3 實驗分析
6．1 _4小結
6．2 基于加權集成學習的自適應分類方法
6．2．1 網絡流特征變化
6．2．2 方法描述
6．2．3 實驗分析
6．2．4 小結
6．3 基于深度學習的分類方法
6．3．1 方法描述
6．3．2 實驗結果
6．3．3 分析討論
6．3．4 小結
6．4 基于熵的加密協(xié)議指紋識別
6．4．1 相關測度
6．4．2 方法描述
6．4．3 評估
6．4．4 小結與展望
6．5 non_VPN和VPN加密流量分類方法
6．5．1 實驗數(shù)據集
6．5．2 實驗過程
6．5．3 實驗結果分析
6．5．4 小結
參考文獻
7 TLs加密流量分類方法
7．1 基于Markov鏈的分類
7．1．1 SSL／TLS協(xié)議交互特征
7．1．2 SSL／TLS加密應用分類方法
7．1．3 實驗分析
7．1．4 小結
7．2 rror行為分析
7．2．1 測量方法
7．2．2 服務器連接
7．2．3 服務器特性
7．2．4 小結
參考文獻
8 HTTPS加密流量分類方法
8．1 HTTPS加密流量的識別方法
8．1．1 方法描述
8．1．2 實驗結果
8．1．3 小結
8．2 HTTPS協(xié)議語義推斷
8．2．1 相關背景
8．2．2 數(shù)據集
8．2．3 語義推斷方法
8．2．4 應用場景
8．2．5 小結
8．3 HTTPS攔截的安全影響
8．3．1 相關背景
8．3．2 TLS實現(xiàn)啟發(fā)式
8．3．3 測量TLS攔截
8．3．4 實驗結果
8．3．5 對安全的影響
8．3．6 小結
參考文獻
9 加密視頻流量參數(shù)識別
9．1 加密視頻流量QoE參數(shù)識別
9．1．1 引言
9．1．2 自適應碼流及QoE評估模型
9．1．3 基于視頻塊特征的視頻QoE參數(shù)識別
9．1．4 實驗分析
9．1．5 小結
9．2 加密視頻QoE評估
9．2．1 相關背景
9．2．2 數(shù)據集
9．2．3 檢測模型
9．2．4 加密流量評估
9．2．5 小結
9．3 實時視頻清晰度質量分類
9．3．1 YouTube分析
9．3．2 問題描述
9．3．3 提出的方法
9．3．4 性能評估
9．3．5 小結
參考文獻
10 加密惡意流量識別
10．1 基于深度學習的惡意流量檢測方法
10．1．1 梯度稀釋現(xiàn)象分析
10．1．2 數(shù)量依賴反向傳播
10．1．3 樹形深度神經網絡
10．1．4 實驗驗證
10．1．5 小結
10．2 無解密分析TLS中的惡意軟件
10．2．1 初步假設
10．2．2 實驗數(shù)據
10．2．3 惡意軟件家族和TLS
10．2．4 加密流量分類
10．2．5 家族歸屬
10．2．6 方法局限性
10．3 基于背景流量的惡意流量檢測方法
10．3．1 惡意軟件與DNS
10．3．2 惡意軟件與HTTP
10．3．3 實驗數(shù)據
10．3．4 加密流量分類
10．3．5 小結
參考文獻
彩插
書單推薦
