基于机器学习的移动代理应用流量识别方法

随着移动网络的快速发展，越来越多的用户选择使用代理应用来保护个人网络隐私、隐藏互联网行为或绕过网络活动的限制，这给网络管理和审计带来了新的挑战。与此同时，恶意攻击者可以使用代理应用程序隐藏其身份，从而使恶意行为更难检测和预防。因此，代理应用流量识别在网络管理和安全方面发挥着重要作用，但目前这一问题还没有得到充分的研究。由于agent应用流量通常被加密或混淆，传统的流量识别技术无法有效应用。这是首次向移动应用层添加一组流量无关的功能，用于准确识别代理的流量。基于四个alpine训练分类器和两个流量识别对象，验证了所提出的特征在识别移动代理应用流量中的有效性，并分析了各种特征的重要性。实验结果表明，提出的特征能够有效地识别agent应用流量。当识别流量是否通过代理时，基于随机森林的分类器可以达到99%以上的总体准确率。在识别流量所属的代理应用程序时，总体准确率高于94%。在开放数据集iscx-VPN-non-aristole上，与其他方法相比，该方法具有更高的识别精度和更快的识别速度，适用于实时流量识别场景。