一种I2P匿名流量识别方法及装置

本发明涉及匿名流量识别，尤其涉及一种i2p匿名流量识别方法及装置。

背景技术：

1、匿名通信技术作为网络隐私保护领域的重要技术手段，其设计初衷是通过对通信链路、用户身份等信息的隐藏与加密，有效保障网络用户的个人通信隐私与数据安全，满足合法的隐私保护需求。但该技术在实现隐私保护的同时，也因赋予了用户无监控秘密通信的能力，被不法分子利用成为规避监管、实施违法犯罪行为的工具，带来了严峻的网络安全与社会治理挑战。

2、当前，针对匿名网络的流量识别与监管技术研究，仍存在明显的技术短板与应用局限。现有相关研究大多集中于tor匿名网络，形成了一系列对应的流量识别、分类及管控方法，但i2p作为另一类主流匿名通信网络，其网络架构、通信协议、数据传输机制与tor网络存在本质差异，导致针对tor网络的技术方法无法直接迁移应用于i2p网络，现阶段针对i2p匿名网络的专项研究仍处于相对匮乏的状态。同时，已有的少量匿名网络管控相关技术方案，还存在应用条件限制严苛的问题，部分方案需深入匿名网络内部部署监测节点，甚至需要实现对网络中指定核心节点的控制，此类部署与操作要求在实际网络环境中难以落地，大幅降低了技术方案的实际应用价值。

3、综上，现有技术在i2p等匿名网络的识别与管控方面，既缺乏针对性的技术研究成果，又存在现有方案落地难度大的问题，针对上述技术痛点，目前尚未形成有效的一体化解决方案，急需提出一种适配i2p匿名网络特征、部署实现难度低、识别精准度高的i2p匿名流量识别与分类方法。

技术实现思路

1、本发明的主要目的在于提供一种i2p匿名流量识别方法。

2、本发明的另一个目的在于提出一种i2p匿名流量识别装置。

3、本发明的第三个目的在于提出一种电子设备。

4、本发明的第四个目的在于提出一种非临时性计算机可读存储介质。

5、为达上述目的，本发明第一方面实施例提出了一种i2p匿名流量识别方法，包括：

6、对i2p流量数据集进行特征采集与标准化处理，提取各流量文件的数据流统计特征和数据包统计特征，对两类特征依次进行初步筛选、合并、格式转换并完成统计特征计算，输出标准化的初始特征数据集；

7、基于初始特征数据集，通过分层抽样、特征评分完成二次筛选，剔除与i2p流量识别低关联度的特征，同步构造三类新特征，将三类新特征与二次筛选后的特征整合，再经特征评分筛选，得到适配i2p流量识别的最优特征集；

8、基于最优特征集，开展i2p流量递归无标签二分类处理，通过马尔可夫决策过程结合动态阈值调整机制优化逐层分类路径与边界，同时在各递归分类阶段动态开展特征关联评分及高关联度特征提取，构建优化的训练数据集；

9、基于优化的分类路径、分类边界及训练数据集，以多种监督学习算法构建并训练多层次分类模型，对训练数据集分层抽样拆分出训练集与测试集，经测试集独立测试评估选取各层最优算法组合，实现i2p匿名流量的识别。

10、可选的，所述对i2p流量数据集进行特征采集与标准化处理，提取各流量文件的数据流统计特征和数据包统计特征，对两类特征依次进行初步筛选、合并、格式转换并完成统计特征计算，形成标准化的初始特征数据集，还包括：

11、以专用软件工具捕获流量数据并存储为pcap格式；

12、从pcap格式的流量数据中提取各流量文件的数据流统计特征、数据包统计特征，编写编程代码对两类特征执行初步筛选、合并与格式转换，提取各数据流指定位置数据并完成统计特征量化计算，形成原始初始特征数据集；

13、将原始初始特征数据集标准化为arff格式，对数据量过大的文件执行分层抽样操作以平衡数据比例，保留包含数据集中到达时间差、数据包长度的会话统计特征及报文头部标志字段特征，输出标准化的初始特征数据集。

14、可选的，构造前k个数据包的序列特征、数据包长度和时间分布特征、包动量特征三类新特征的过程，包括：

15、提取各数据流初始阶段k个数据包的长度与到达时间间隔，计算两者乘积，生成前k个数据包的序列特征；

16、设定特征阈值对所有数据包做区间划分，计算各区间内长度、到达时间差的最大值、最小值、平均值和方差，生成数据包长度和时间分布特征；

17、结合每个数据包的方向、大小和到达时间差，通过方向序列统计值对长度与时间间隔加权累加，生成包动量特征。

18、可选的，所述基于最优特征集，开展i2p流量递归无标签二分类处理，通过马尔可夫决策过程结合动态阈值调整机制优化逐层分类路径与边界，还包括：

19、采用k均值聚类算法对所述最优特征集执行无监督初始无标签分类，无需依赖标签信息，依据各特征的相似性对数据集进行初步分组，完成i2p流量的初步分类划分；

20、基于初步分组结果，对各组数据集分别执行逐层递归细分操作，每一层递归均以当前分组的特征差异为依据，逐步细化分类维度，持续拆分数据集直至达到预设的分类粒度，实现i2p流量的层级化细分；

21、通过马尔可夫决策过程结合动态阈值调整机制，对递归分类过程中出现的特征模糊、分类边界不清晰的区域进行针对性优化，动态调整分类阈值与边界范围，修正分类偏差，同时同步优化逐层分类路径，确保每一层递归分类的合理性与准确性。

22、可选的，所述在各递归分类阶段动态开展特征关联评分及高关联度特征提取，构建优化的训练数据集，还包括：

23、调用互信息计算公式（），代入特征x与分类目标y的联合概率密度p(x,y)、特征x的概率密度p(x)及分类目标y的概率密度p(y)，完成每个特征的评分计算；

24、设定互信息评分取值范围为[0,1]，明确评分判定标准，依据评分数值判断特征与分类目标的关联强度，筛选出评分达标、关联度高的特征；

25、采用selectkbest特征选择方法，基于互信息评分结果，自动提取高关联度特征值，同步剔除评分过低的冗余特征；

26、在递归无标签二分类的每一层递归进程推进时，同步重复执行上述特征关联评分、强度判定及特征筛选操作，实时更新所有特征的互信息评分数值，根据更新后的评分结果动态调整特征筛选标准，持续优化逐层分类路径；

27、整合每一层递归筛选后的高关联度特征，剔除所有冗余特征与无关特征，构建出与各层级递归分类任务高度适配的优化训练数据集。

28、可选的，基于优化的分类路径、分类边界及训练数据集，以多种监督学习算法构建并训练多层次分类模型，对训练数据集分层抽样拆分出训练集与测试集的过程，包括：

29、提取所述优化的分类路径、分类边界及优化训练数据集作为目标基础，针对五种监督学习算法分别构建对应分类器，逐一配置各分类器核心参数，整合所有分类器形成多算法分类模型体系；

30、采用朴素贝叶斯、贝叶斯网络、c4.5决策树、分类与回归树及随机森林五种监督学习算法，严格遵循标准化规范执行模型训练与数据拆分相关操作；

31、对优化训练数据集进行标签识别与占比统计，依据各类标签占比执行分层抽样操作，将优化训练数据集精准拆分为训练集与测试集。

32、可选的，经独立测试评估选取各层最优算法组合的过程，包括：

33、将拆分后的测试集分别输入各训练完成的分类器，启动独立模型测试流程，保持各分类器测试过程相互独立；

34、开展多维度量化评估，提取各分类器输出的测试推理结果，按照预设评估标准，计算包含各算法模型的准确率、召回率、精确度、f1值及混淆矩阵的性能指标，完成各模型分类性能的多维度量化评估；

35、在结合评估结果，选取不同特征组合构建测试样本集并循环开展训练与测试，提取特征评分，确定适配各层分类任务的最优特征数量与组合。

36、为达上述目的，本发明第二方面实施例提出了一种i2p匿名流量识别装置，包括：

37、特征处理模块，用于对i2p流量数据集进行特征采集与标准化处理，提取各流量文件的数据流统计特征和数据包统计特征，对两类特征依次进行初步筛选、合并、格式转换并完成统计特征计算，输出标准化的初始特征数据集；

38、特征优选模块，用于基于初始特征数据集，通过分层抽样、特征评分完成二次筛选，剔除与i2p流量识别低关联度的特征，同步构造三类新特征，将三类新特征与二次筛选后的特征整合，再经特征评分筛选，得到适配i2p流量识别的最优特征集；

39、分类优化模块，用于基于最优特征集，开展i2p流量递归无标签二分类处理，通过马尔可夫决策过程结合动态阈值调整机制优化逐层分类路径与边界，同时在各递归分类阶段动态开展特征关联评分及高关联度特征提取，构建优化的训练数据集；

40、模型训练模块，用于基于优化的分类路径、分类边界及训练数据集，以多种监督学习算法构建并训练多层次分类模型，对训练数据集分层抽样拆分出训练集与测试集，经测试集独立测试评估选取各层最优算法组合，实现i2p匿名流量的识别。

41、关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

42、为达上述目的，本技术第三方面实施例提出了一种电子设备，包括：处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如第一方面实施例所述的一种i2p匿名流量识别方法。

43、为达上述目的，本技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的一种i2p匿名流量识别方法。

44、本发明实施例具有以下有益效果：

45、1.针对性强且识别精度高，本发明摒弃对tor网络识别方法的简单迁移，结合i2p网络架构、协议特征设计专属的多轮特征筛选、构造及优化流程，提取适配i2p流量识别的最优特征集，再通过马尔可夫决策过程优化分类路径、遴选最优算法组合，实现对i2p匿名流量及旗下具体应用流量的精细化分类，有效提升识别准确率、召回率等核心指标，大幅降低漏判与误判率。

46、2.落地门槛低且实用性强，本发明无需深入i2p网络内部部署监测节点，也无需控制网络核心节点，仅通过对外部流量数据的特征采集与算法模型处理即可完成识别分类，突破现有技术的应用条件限制，贴合实际网络监管的场景需求，具备良好的可推广性。

47、3.鲁棒性优异且适配复杂场景，本发明在特征处理与模型训练全流程实现双重动态优化，可灵活适配不同网络环境下的i2p流量特征变化，具备较强的抗干扰能力，即便在复杂网络场景中，仍能保持稳定的识别分类效果，满足实际监管中的复杂应用需求。

48、4.易集成拓展且监管价值显著，本发明各技术环节均遵循标准化规范设计，可快速集成至现有网络监管系统与流量分析平台，同时预留特征扩展和算法迭代接口，便于后续按需优化；此外，本发明能精准识别i2p网络中各类违法相关流量，为监管部门提供可靠技术支撑，有效破解i2p匿名网络监管难题，提升网络违法犯罪行为的打击效率，助力维护网络空间安全。