加密流量分类识别系统 (Encrypted Traffic Classification System)

一个基于深度神经网络的加密流量分类识别系统，能够实时捕获网络数据包并识别QQ、微信和HTTPS流量。该系统包含完整的机器学习模型训练、实时流量捕获、Web展示界面和后端API服务。

🚀 项目特性

实时流量捕获: 使用Scapy库实时捕获网络数据包
深度学习分类: 基于DNN模型，准确率达到92.1%
多协议支持: 支持TCP/UDP协议分析
Web可视化: 提供实时数据展示和统计分析
RESTful API: 完整的后端服务接口
数据持久化: MySQL数据库存储分析结果

📁 项目结构

EncryptedTrafficClassificationSystem/
├── capture.py              # 实时流量捕获和分类
├── model.py                # 深度学习模型定义
├── train.py                # 模型训练脚本
├── utils.py                # 工具函数
├── visualization.py        # 数据可视化脚本
├── model/                  # 训练好的模型文件
│   └── tcdnn.pth
├── dataset/                # 训练和测试数据集
│   ├── qq_train.pcap      # QQ训练数据
│   ├── qq_test.pcap       # QQ测试数据
│   ├── wx_train.pcap      # 微信训练数据
│   ├── wx_test.pcap       # 微信测试数据
│   ├── https_train.pcap   # HTTPS训练数据
│   └── https_test.pcap    # HTTPS测试数据
└── display/                # Web展示系统
    ├── EncryptedTrafficRecognition/  # Spring Boot后端
    │   ├── src/main/java/            # Java源代码
    │   ├── pom.xml                   # Maven配置
    │   └── target/                   # 编译输出
    └── front-end/                    # Vue.js前端
        └── vue-project/              # Vue项目
            ├── src/                  # 源代码
            ├── package.json          # 依赖配置
            └── vite.config.js        # Vite配置

🛠️ 技术栈

机器学习

PyTorch: 深度学习框架
Scapy: 网络数据包处理
NumPy: 数值计算
Matplotlib: 数据可视化

后端服务

Spring Boot 3.1.0: Java Web框架
Spring Data JPA: 数据持久化
MySQL: 数据库
Maven: 项目管理

前端界面

Vue 3: 前端框架
Element Plus: UI组件库
ECharts: 数据图表
Vite: 构建工具

📦 安装要求

系统要求

Python 3.7+
Java 17+
MySQL 8.0+
Node.js 16+

Python依赖

pip install torch scapy numpy matplotlib scikit-learn requests

Java环境

JDK 17+
Maven 3.6+

Node.js依赖

cd display/front-end/vue-project
npm install

🚀 快速开始

1. 环境准备

# 克隆项目
git clone <repository-url>
cd EncryptedTrafficClassificationSystem

# 安装Python依赖
pip install -r requirements.txt

2. 数据库配置

在 display/EncryptedTrafficRecognition/EncryptedTrafficRecognition/src/main/resources/application.properties 中配置MySQL连接信息：

spring.datasource.url=jdbc:mysql://localhost:3306/encrypted_traffic
spring.datasource.username=your_username
spring.datasource.password=your_password

3. 启动后端服务

cd display/EncryptedTrafficRecognition/EncryptedTrafficRecognition
mvn spring-boot:run

4. 启动前端服务

cd display/front-end/vue-project
npm run dev

5. 运行流量捕获

python capture.py

📊 模型训练

训练数据

系统使用PCAP格式的数据包文件进行训练，包含：

QQ流量数据
微信流量数据
HTTPS流量数据

训练过程

python train.py

训练参数：

批次大小: 64
学习率: 0.001
训练轮数: 300
优化器: SGD

模型架构

输入层: 100个神经元（数据包前100字节）
隐藏层: 90 → 70 → 50 → 30个神经元
输出层: 3个神经元（QQ/微信/HTTPS分类）
激活函数: ReLU + Softmax

🔍 实时流量分析

数据包处理流程

捕获: 使用Scapy实时捕获网络数据包
预处理: 提取TCP/UDP头部和前100字节
分类: 使用训练好的DNN模型进行分类
统计: 统计各类应用的流量数量
存储: 将结果发送到后端API并存储到数据库

支持的协议

TCP协议
UDP协议
过滤端口: 53(DNS), 1900(SSDP), 12345(API)

🌐 Web界面功能

实时监控

流量统计图表
应用分类统计
端口使用情况
协议分布分析

数据展示

综合信息展示
端口统计信息
协议统计信息
应用统计信息

管理功能

数据库清理
历史数据查询
实时数据更新

📡 API接口

数据接收

POST /api/receive_data: 接收流量分析数据

数据查询

GET /api/port_information: 获取端口信息
GET /api/protocol_information: 获取协议信息
GET /api/app_statistics: 获取应用统计
GET /api/port_statistics: 获取端口统计
GET /api/protocol_statistics: 获取协议统计
GET /api/comprehensive_display: 获取综合信息

数据管理

GET /api/clear_database: 清空数据库

📈 性能指标

分类准确率: 92.1%
实时处理: 支持毫秒级数据包分析
并发处理: 多线程数据包处理
数据吞吐: 500ms批量发送间隔

🔧 配置说明

网络接口配置

在 capture.py 中修改网络接口名称：

# 使用以太网时移除 iface="WLAN"
sniff(iface="WLAN", ...)

API服务配置

在 capture.py 中配置后端服务地址：

API_HOST = "172.20.29.80"
API_PORT = 12345

数据发送间隔

SEND_INTERVAL_MS = 500  # 500毫秒发送一次数据

🐛 故障排除

常见问题

权限不足: 确保以管理员权限运行流量捕获
网络接口错误: 检查网络接口名称是否正确
数据库连接失败: 验证MySQL服务状态和连接配置
模型加载失败: 确认模型文件路径和PyTorch版本兼容性

日志查看

后端日志: 查看Spring Boot控制台输出
前端日志: 浏览器开发者工具控制台
捕获日志: Python脚本控制台输出

🤝 贡献指南

Fork 项目
创建特性分支 (git checkout -b feature/AmazingFeature)
提交更改 (git commit -m 'Add some AmazingFeature')
推送到分支 (git push origin feature/AmazingFeature)
开启 Pull Request

📄 许可证

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情

📞 联系方式

如有问题或建议，请通过以下方式联系：

提交 Issue
发送邮件
项目讨论区

🙏 致谢

感谢所有为项目做出贡献的开发者和研究人员。

注意: 本项目仅用于教育和研究目的，请遵守相关法律法规和网络使用规范。

Name		Name	Last commit message	Last commit date
Latest commit History 29 Commits
dataset		dataset
display		display
model		model
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
capture.py		capture.py
model.py		model.py
train.py		train.py
utils.py		utils.py
visualization.py		visualization.py

Folders and files

Latest commit

History

Repository files navigation