CCF B

使用生成式对抗网络生成基于流的网络流量

Ring M , Schlr D , Landes D , et al. Flow-based Network Traffic Generation using Generative Adversarial Networks[J]. 2018.

未公布代码😢

概述

本文我们对基于流的数据提出了三种不同的预处理方法，以便将它们转换为连续的值。

我们使用改进的Wasserstein GANs（WGAN-GP）（Gulrajani等人，2017）与Heusel等人（2017）提出的两个时间尺度更新规则（TTUR）来生成基于公共CIDDS-001（Ring等人，2017b）数据集的新流量网络数据。

提出了一种新的方法来评估生成的基于流的网络流量，该方法使用领域知识来定义质量测试。

实验表明，这三种方法中的两种都能够生成高质量的数据。

三种预处理方法

由于GAN只能处理连续的数据而非离散的数据（网络都是这样滴）

本文的三种预处理方法

第一种方法只是将IP地址和端口等属性作为数值处理。

第二种方法从分类属性中创建二进制属性。

第三种方法使用IP2Vec（Ring等人，2017a，IP2Vec就是将属性转为m维数组的一种方法）来学习分类属性的有意义的向量表示。

评估方法

• 生成数据属性可视化 ： 流数随时间分布、小提琴图

• 计算生成数据与真实数据 欧氏距离

• 领域知识评估 7条

  
  

实验结果

E-WGAN-GP能够生成真实的数据，并取得了良好的评价效果。
与E-WGAN-GP相比，B-WGAN-GP实现了类似的好结果，并能够创建新的流量。
N-WGAN-GP生成的网络数据质量较差，说明直接数值变换这种预处理方法不合适。

相关工作

对网络流量生成器分4类：

1 重放流量，如TCP Replay，TCPivo

2 测试网络性能，如Iperf

3 攻击生成器使用真实的网络传输流量作为输入，并将其与手工创建的攻击流量相结合。如FLAME，ID2T

4 高级生成器的目标是生成新的包含现实网络连接的合成网络流量，如MalGAN、BotGAN