基于分類算法的安卓系統(tǒng)應(yīng)用識別研究

王學(xué)婷+劉尚東+李劍+周瑋

摘要：研究安卓系統(tǒng)在連入網(wǎng)絡(luò)的情況下，手機(jī)收發(fā)流量基于應(yīng)用類型的分類情況。通過截取手機(jī)收發(fā)的流量包，并從中提取具有標(biāo)志特征的流屬性，生成矩陣數(shù)據(jù)，采用合適的分類算法，進(jìn)行流關(guān)于應(yīng)用類型的識別劃分。

關(guān)鍵詞：安卓系統(tǒng)；流量；抓包；應(yīng)用劃分

1引言

隨著智能手機(jī)和3G、4G網(wǎng)絡(luò)的普及，流量也成為話費(fèi)支出的一大巨頭。據(jù)著名分析機(jī)構(gòu)Strategy Analytics公司發(fā)布的一份關(guān)于Android用戶數(shù)據(jù)流量使用情況最新調(diào)研報(bào)告顯示，有近四分之_的Android用戶被歸類為“重度用戶（Power User）”，每天使用的數(shù)據(jù)流量超過300M。日益增長的手機(jī)流量消費(fèi)以及手機(jī)流量分類對于運(yùn)行商改善網(wǎng)絡(luò)發(fā)展規(guī)劃、提供高能效業(yè)務(wù)等方面的重大影響，都使得對于手機(jī)流量的應(yīng)用分類成為我們關(guān)注的目標(biāo)。而安卓手機(jī)作為手機(jī)系統(tǒng)中的主流，自然地被選作了手機(jī)系統(tǒng)分類研究的目標(biāo)。

目前，網(wǎng)絡(luò)流量的分類已經(jīng)被廣大研究者關(guān)注，在流量分類上也取得了較大的成果。本實(shí)驗(yàn)的目的就是將網(wǎng)絡(luò)流量的分類算法引入到安卓手機(jī)流量分類中來，基于應(yīng)用將手機(jī)上進(jìn)出的流量進(jìn)行識別劃分。針對這個(gè)目的，我們的工作主要流程是獲取安卓手機(jī)不同類型應(yīng)用的報(bào)文，提取某些流測度，訓(xùn)練出一個(gè)分類器，當(dāng)安卓手機(jī)有應(yīng)用傳輸數(shù)據(jù)時(shí)，抓取報(bào)文，利用訓(xùn)練出來的分類器進(jìn)行流量的識別，判斷是哪類應(yīng)用。

每個(gè)報(bào)文的頭部都有相同的指標(biāo)，但是不同的應(yīng)用交換的流的指標(biāo)參數(shù)都有其獨(dú)特的特征，這也是本文將流為劃分不同應(yīng)用的依據(jù)。基于正確的分類算法，能夠較為準(zhǔn)確的判斷出應(yīng)用類別。

檢測流的應(yīng)用分類，本文將其分為以下幾個(gè)步驟。（1）獲取不同類型應(yīng)用的流的特征參數(shù)出訓(xùn)練分類器。（2）用抓包軟件抓取手機(jī)后臺吞吐的流量包，保存，提取特征參數(shù)。（3）通過域名地址對應(yīng)表或分類器進(jìn)行應(yīng)用確定。本文監(jiān)測的流量和訓(xùn)練分類器所用的流量，都是來源于運(yùn)行配備android系統(tǒng)的手機(jī)上的不同應(yīng)用而捕捉到的。

2相關(guān)工作

關(guān)于網(wǎng)絡(luò)流量分類的研究成果，主要可以歸納為4種方法：基于標(biāo)準(zhǔn)端口匹配、基于深度包檢測、基于協(xié)議解析和基于統(tǒng)計(jì)學(xué)習(xí)方法。每種方法各有優(yōu)缺點(diǎn)和適用范圍。鑒于基于端口和基于協(xié)議的局限性，本文將采用較為靈活的基于統(tǒng)計(jì)學(xué)習(xí)的分類算法。前人在此已經(jīng)有了較為豐富的成果：周劍峰等人改進(jìn)了C4.5算法，提高決策樹的構(gòu)建速度；林平、雷振明等人通過程序?qū)Σ杉臄?shù)據(jù)進(jìn)行特征提取，利用兩類流的特征，將單個(gè)流檢驗(yàn)的正確率大幅度提高，同時(shí)也將最終模型從35個(gè)特征參數(shù)降維到26個(gè)，進(jìn)一步降低了復(fù)雜度。

綜上，可以總結(jié)出基于統(tǒng)計(jì)學(xué)習(xí)的流量分類的內(nèi)容：基于統(tǒng)計(jì)學(xué)習(xí)的流量分類方法通過計(jì)算特定的應(yīng)用流量的統(tǒng)計(jì)信息，利用各種機(jī)器學(xué)習(xí)算法，包括有監(jiān)督和無監(jiān)督學(xué)習(xí)算法，對捕獲的數(shù)據(jù)包進(jìn)行鑒別。

3數(shù)據(jù)采集以及特征參數(shù)獲取

分類器的訓(xùn)練是整個(gè)研究的中心和重點(diǎn)，訓(xùn)練分類器的數(shù)據(jù)是影響分類的準(zhǔn)確性的重要因素。為了減少不確定因素，本文用來訓(xùn)練分類器的數(shù)據(jù)都是通過運(yùn)行安卓手機(jī)應(yīng)用獲取的。獲取數(shù)據(jù)的方法是用電腦建立wifi，將手機(jī)連接至電腦，利用電腦的wireshark軟件抓取流量包，編寫Java程序，提取出所需的三個(gè)特征參數(shù)，保存為txt文件。本文中為了訓(xùn)練分類器選取了三個(gè)特征參數(shù)（Time——流持續(xù)時(shí)間，Packets——流報(bào)文總數(shù)，Bytes——流字節(jié)總數(shù)），利用不同應(yīng)用具有相應(yīng)的特性的特點(diǎn)，來訓(xùn)練分類器和檢測應(yīng)用。

分類器的訓(xùn)練需要通過大量不同類型應(yīng)用數(shù)據(jù)，主要可分為三類。（1）電話應(yīng)用——由微信軟件打電話生成的流參數(shù)。（2）語音應(yīng)用——由微信軟件發(fā)語音生成的流參數(shù)。（3）消息應(yīng)用——由微信軟件發(fā)消息生成的流參數(shù)。

但是，不同的數(shù)據(jù)在流特征很小的地方重合度較高，因此，在訓(xùn)練分類器的之前，應(yīng)該通過數(shù)據(jù)過濾，將小于某一特定流測度的數(shù)據(jù)點(diǎn)全部過濾掉，只利用具有代表性特征的數(shù)據(jù)點(diǎn)去進(jìn)行訓(xùn)練。在利用訓(xùn)練好的分類器進(jìn)行判斷的時(shí)候也可以像這樣，對后臺的包進(jìn)行過濾后，再判斷其應(yīng)用類型。

通過圖通過排除具有誤導(dǎo)性和干擾性的數(shù)據(jù)后，分類器的精確度會(huì)大大提升，為本次實(shí)驗(yàn)的成功奠定了基礎(chǔ)。

4分類器模型

分類器模型的建立主要是依靠經(jīng)過處理后分為三類的訓(xùn)練數(shù)據(jù)以及做出分類的算法。主要是利用圖形來表示。

利用gnuplot軟件畫聚類之后的三維圖如圖1所示。

可以從圖上看出不同類型的數(shù)據(jù)分散較開，當(dāng)一組數(shù)據(jù)過來時(shí)，就可以通過觀察它的在圖中的分布狀況，就可以得出它屬于哪一類應(yīng)用。

5結(jié)語

文章研究了基于統(tǒng)計(jì)學(xué)習(xí)方法的安卓手機(jī)流量分類，從應(yīng)用這個(gè)角度切入，將手機(jī)流量大致分為三類一一語音、電話和消息。從上面的實(shí)驗(yàn)可以看到不同的統(tǒng)計(jì)學(xué)習(xí)方法具有不同的準(zhǔn)確性。

基于統(tǒng)計(jì)學(xué)習(xí)方法的流量分類具有較高的靈活性，操作簡便。但是由于基于統(tǒng)計(jì)學(xué)習(xí)的方法對數(shù)據(jù)的選取要求較高，準(zhǔn)確性易受其影響，如果檢驗(yàn)采用的流不包含或僅含有較少的具有代表性的報(bào)文，將會(huì)難以辨別其屬于哪一類應(yīng)用，所以此方法具有一定的局限性。

目前已經(jīng)做好的分類是僅僅利用了三個(gè)流測度來進(jìn)行劃分，而實(shí)際應(yīng)用中流的特征遠(yuǎn)遠(yuǎn)不止這些，如果將更多能作為分類依據(jù)的特征參數(shù)加入到分類的因素中，分類的效果應(yīng)該會(huì)更好、更精確。