Background
做了差不多两个星期的流量分析，以为后面可以安稳的做research，结果组里来了一个项目，就把我扔过去做项目了。这就是实验室的本质，哪里缺人，你就去哪里填坑；这也是国内硕士生教育的现状吧，廉价劳动力，不用白不用。
虽然说仅仅是两个星期的research，怎么说呢，对research还是有了比较感观的认识吧。虽然之前也看了不少论文，但是之前看的目的都是为了学习更多的算法，而这次是要定位到解决问题，要发文章，所以感觉是不一样的。
Introduction
大概说一下想要解决的问题，对于抓取的流量进行分析。这个抓取，最简单的办法就是通过wireshark自己抓点流量来分析一下。所谓的分析，主要是对应用层的协议进行分析。
至于这样分析流量中的应用层协议有什么用呢？其实我也不太了解，但是每一篇论文中都会牵强附会的扯一些，至少我是这样认为。大概就是可以用于网络安全；可以为网络基础服务商提供一些分析的功能，比如说基础服务商希望知道在其设备上各种流量的情况，好让其能够合理的分配设备资源；还有一种说法是，希望能从流量中解析出相关的内容，这个应该也需要知道流量中的协议吧？
虽然说总能找到理由应用流量分析，但是我个人认为目前做的这些方法，基本上不可用，所以我认为已经发表的那些文章中说的那些用途都是扯淡的。
Problem Definition
目前，从我个人对这个领域的了解来看，也许只是一小部分哈，主要存在以下几个问题可以做：
- 对于混杂流量，如何快速的作出流量分类。目前来说存在很多端口混用的情况，之前做的研究都是基于单一流量假设，所以如何对混杂流量进行快速的分类，这是目前亟须解决的问题，也是目前解决的不好的问题。
- 如何发现协议中的关键字，其实希望做到的是识别协议的格式。因为随着互联网越来越普及，肯定有越来越多的自定义应用协议，如果能快速的发现流量中本身存在的协议，当然非常好了。
- 对于上面的几个问题，如何做到快速、通用、可行，是如今面临的非常大的问题。
Reading Summary
在这比较短暂的两周时间内，读了一些论文，但是不多，然后主要是在做实验，验证自己的想法。虽然后来没有继续做了，但是感觉还是不错，虽然不知道最后会做成什么样子，但是做研究就是这样，不可能一蹴而就，需要不断的尝试和探索，所以对毅力是个考验。
下面会对阅读过的论文中的思路做一个brief summary，以便memorize俺也是做过的。
-
A Semantics Aware Approach to Automated Reverse Engineering Unknown Protocols
这篇文章是我看的第一篇文章吧，收获还是蛮大的。这篇文章思路其实挺新鲜的，分为四个step吧：首先将message切分成n-gram；那么如果把message看成document，那么就变成document->(words)的模型了，这样使用LDA进行降维，也就是每一篇文档都表示成了k维的向量；使用message的k维向量进行层次聚类，希望把具有相同命令字或者格式的message聚到一个类下面；然后在一个类下面进行对齐，希望能借此发现protocol format或者command word。
这篇文章的思路挺新颖的，将lda引入进来，但是其最大的问题就是太慢了，lda和最后一步的对齐都很慢。
TPCAD：一种文本类多协议特征自动发现方法
这篇文章也是属于看的比较早的一篇文章，没怎么仔细看，其主要做的是识别文本类流量中协议特征-
Toward Unsupervised Protocol Feature Word Extraction
这篇文章的做法也是比较新颖的，希望通过分词的方法来识别流量中的命令字。具体做法记得不是很清楚了，分成了两步：首先使用Voting Experts算法进行无监督分词，VE算法是假设有两种专家在投票，一类专家说这些字符应该成为一个词，另一个专家用于判断词边界，然后根据滑动窗口的投票情况，确定词边界；然后根据一些先验的rule指定term打分机制，希望ranking之后排在前面的确实是command key word，主要考虑采用的先验知识有term frequency、location和length。
-
Clustering botnet communication traffic based on n-gram feature selection
这篇文章的做法是统计流量中的n-gram分布情况，其假定认为同一类流量中n-gram的分布具有自己的分布特征，而不同的流量中n-gram的分布是不同的。
基于上面的假设，其可以使用分类或聚类的方法，来detect僵尸网络。
之前还看了一些其他文章，后面得空了会再整理一下更新这篇博客。