引言
随着计算机和网络技术的发展，网络环境变得日益复杂［1］，网络攻击事件频发，使得网络的安全性测试和评估尤为重要。在网络攻击方式不断演变之下，人工智能的发展使得网络的攻击和防御进入了一种新的态势［2］，导致传统的测试方法无法应对当前的需求。在此背景之下，亟需一种能够模拟真实场景的流量生成工具，以评估网络性能、检测网络潜在的风险和优化应用程序，防止网络攻击事件的发生。
现有网络流量生成器主要分为［3］：最大吞吐量生成器，以恒定或最大的速率生成网络流量，常用于网络带宽的测试，例如 Iperf2［4］；回放生成器，重放之前捕获的网络流量，如 TCPReplay［5］；随机模型生成器，利用随机模型来模拟网络流量的特征，如 Harpoon［6］；脚本生成器，允许用户编写复杂的逻辑，动态地修改数据包内容，可以生成任意类型的数据包，如 Moongen［7］和 Scapy［8］；特定场景生成器，对特定应用程序实现的流量生成器，高度定制化，很难在其他环境继续使用。其中只有随机模型生成器和脚本生成器具有更多的灵活性，能够在不同的维度模拟网络流量，不过这需要用户首先对采集到的数据设定一个统计模型，或者利用统计方法估计一个模型。因此如果设定的随机分布不正确，或者流量数据的模型是未知的，那么生成流量就会不准确甚至失败。
深度神经网络在拟合随机模型上有着天然的优势，可以利用在真实网络中采集的流量数据，拟合对应数据的统计分布。而生成对抗神经网络 (Generative Adversarial Networks，GAN)［9］已经在很多领域被广泛应用，如图像［10］、音频［11］、视频［12］等。通过对现有网络流量生成方法的研究，基于统计的流量生成方法如图1所示，首先在真实网络中采集一段数据，然后提取需要生成的网络流量的特征；将数据经过预处理，得到神经网络的输入数据，使用一种或多种统计模型进行拟合训练，利用拟合后的模型生成网络流量在另一个时间段的特征；最后再将生成特征组合成的流量，发送到模拟的网络环境中，用以测试网络环境，或者研究网络用户的行为。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000006045
作者信息：
康未，李维皓，刘桐菊
（华北计算机系统工程研究所，北京100083）
