近年来,随着互联网技术的迅猛发展,网络流量呈现出爆炸性增长态势,并对流量监管与网络安全提出了严峻挑战。如何高效、准确地分析网络流量已经成为一个重要问题。作为流量分析的两项核心任务,网络流量分类与生成长期受到广泛关注,并随相关技术与工具的发展持续演进。四川大学智能威胁分析实验室(iTA Lab)黄诚教授团队在《电子学报》发表长篇综述《网络流量分类和生成方法研究综述》,论文以流量表征为基础,系统梳理了网络流量分类与生成方法的研究脉络与方法框架。
原文信息
蒋书熠,黄诚*,韩家璇,张强,曾雨潼,赵建国,余泓豪,徐建斌,樊春霆. 网络流量分类和生成方法研究综述[J]. 电子学报,2026,54(7):457-488.DOI:10.12263/DZXB.20250698
一、流量表征三层统一框架
本文介绍了网络流量研究的相关背景,明确了流量表征在分类与生成中的关键地位,并提出了涵盖输入特征层、表征计算层和应用层的三层统一分类体系。在此基础上,将流量表征划分为流量特征提取和流量表征计算两个阶段。
输入特征层:从原始包里到底取什么?
表征计算层:怎么把取出来的东西变成模型能用的“流量语言”?
应用层:拿去分类、检测、生成、仿真。
图1 | 流量分类和生成方法统一框架
二、特征提取阶段
在特征提取阶段,从原始流量中归纳了基于统计信息、流序列特性、协议特性、内容特性、原始包二进制和其他特性的六类基础特征及其判定准则,明确了各类特征的分类边界与适用场景;
统计信息包长、IAT、速率、上下行比
流序列特性
方向序列、Burst、突发结构
协议特性五元组、TCP 标志位、TLS 握手字段
内容特性载荷前 N 字节、解码向量
原始包二进制不解析,直接喂字节
其他特性信息熵、主动探测指纹
并明确每类特征的判定准则、层级粒度、适用场景与局限。这对做威胁分析的人特别关键:比如暗网流量看熵和 Burst,TLS 混淆看 JA3/JA4 与 ClientHello 字段,IoT 设备看上下行节律。
三、表征计算阶段
在表征计算阶段,总结了三条从特征到表征产物的主要技术路径,分别对应流量指纹、流量特征向量和流量编码三种表征形式。
流量指纹:JA3/JA4、专家规则、随机森林叶节点序列→ 快、轻、可匹配,适合边缘侧粗分类
流量特征向量:CNN/RNN/GNN 自动提取→ 兼顾精度与成本,工程落地主力
流量编码:BERT/Mamba/GPT 词元化原始字节→ 表征能力最强,吃算力,但加密流量泛化好
图2|流量表征计算术语表
四、流量分类与生成
基于上述表征,重点分析了流量分类与流量生成两个下游任务。在流量分类方面,从指纹式分类、基于机器学习与深度学习的分类和基于预训练模型的分类三个维度梳理了技术演进脉络;
指纹/规则时代k-NN + 余弦、JA3 聚类、随机森林叶序列
深度学习时代CNN 灰度图、Bi-GRU、图神经网络、时空双流
预训练模型时代ET-BERT、NetGPT、TrafficGPT、NetMamba、YaTC
在流量生成方面,从专家规则到预训练模型的不同阶段归纳了方法的迭代历程。
专家规则iPerf 等工具,按预设发
特征向量驱动GAN、VAE 学生成分布
深度生成模型GAN + LSTM 端到端生成
预训练模型驱动GPT/Diffusion 生成包/流/会话,质量显著提升
针对当前研究中实验设置与评价标准不统一的问题,本文提出了面向数据集构建、流量分类和流量生成的三套涵盖多个维度的最小评测规范。最后,总结了当前研究的主要路径,展望了通用化流量表征与跨域分析、模型架构与规模创新、语义与智能化分析、训练范式创新与多任务联合建模以及统一评测基准构建五个研究方向:
通用化流量表征
高效化模型架构(Mamba/MoE)
语义化智能分析
训练范式创新
统一化评测基准
并提出了加密混淆对抗、高计算资源需求以及合规性风险等七项值得关注的挑战:
新协议适配
加密混淆对抗
高算力需求
数据不平衡
对抗鲁棒性
合规风险
生成安全评测缺失
作者简介
四川大学智能威胁分析实验室(iTA Lab)依托四川大学网络空间安全学院建设,由黄诚教授负责。实验室此前长期以 Web 安全为主要阵地,在威胁检测与溯源、网络公害治理、软件与供应链安全方向持续积累;近年来聚焦大模型与智能体时代的新型威胁,开展智能化威胁分析研究。
本综述第一作者蒋书熠为实验室成员,通信作者黄诚教授长期从事网络攻防、匿名通信分析、网络公害治理与流量智能分析研究,团队在《电子学报》、USENIX Security、IEEE Trans 等持续输出加密流量与威胁溯源成果。
点击蓝字 关注我们
关于我们 |智能威胁分析实验室