1.一种基于跨窗口特征提取的网站指纹识别方法,其特征在于,包括以下步骤:步骤S1、获取网络流量轨迹数据,其中每个数据包包含时间戳和带符号的包信息,的符号标识数据包传输方向,代表出站数据包,代表入站数据包,表示数据包的大小;
步骤S2、基于所述网络流量轨迹,将最大轨迹长度设置为超参数,若实际轨迹长度时,则对轨迹数据执行截断操作,仅保留前个数据包;
步骤S3、对步骤S2处理后的轨迹数据进行无效记录过滤,移除其中时间戳的数据包,得到有效记录索引集合;
步骤S4、若步骤S3得到的有效记录索引集合非空,则基于从原始轨迹中提取有效时间戳数据与有效包信息数据;
步骤S5、执行归一化计算:根据预设的最大加载时间,对步骤S4提取的原始时间戳序列中的每一个元素进行线性映射,得到归一化时间戳序列,具体的映射公式如下:,其中,表示归一化时间戳序列中的第k个元素;
步骤S6、将步骤S5得到的归一化时间戳序列通过线性变换和向下取整操作映射为离散的窗口索引:,其中为预设的最大窗口数量;随后对进行裁剪,使其所有元素的值域限定在区间内;
步骤S7、根据步骤S4提取的有效包信息数据中各元素的符号,区分出站记录与入站记录,并对应定义出站记录索引集合及入站记录索引集合;
步骤S8、基于步骤S6得到的窗口索引及步骤S7定义的索引集合与,采用向量化直方图统计操作,分别计算每个时间窗口的出站数据包数量特征与入站数据包数量特征,具体计算公式如下:;
;
其中,是根据出站索引集合所获取的对应的窗口索引数组,是根据入站索引集合所获取的对应的窗口索引数组,()是调用的向量化直方图统计函数;
步骤S9、基于步骤S6得到的窗口索引、步骤S4提取的有效包信息数据,以及步骤S7定义的索引集合与,采用加权直方图操作分别计算每个时间窗口的出站数据包总大小特征与入站数据包总大小特征,具体计算公式如下:;
;
其中,是根据出站索引集合所获取的对应的包大小数组,是根据入站索引集合所获取的对应的包大小数组,()是调用的加权直方图函数,对取负号旨在保证入站数据包总大小特征值为正;
步骤S10、识别所有包含至少一个数据包的非空窗口,获取其窗口索引的唯一排序集合,记为,其中()是调用的升序排序函数;
步骤S11、当非空窗口的数量时,计算连续非空窗口之间的索引差值,其中Diff()是计算连续非空窗口索引的差值数组的方法表示,并将这些差值赋给对应窗口的间隔特征,其中,表示所有窗口对应的间隔特征向量,表示非空窗口索引序列中去除第一个元素后的子序列;
步骤S12、构建特征矩阵,其中每一行对应一个时间窗口,包含出站包数、入站包数、出站总大小、入站总大小以及窗口间隔五个特征,依次对应于向量:;
步骤S13、对特征矩阵进行对数变换,将变换后的结果作为特征表示,以提升数值稳定性,并方便后续机器学习模型处理。
2.根据权利要求1所述的方法,其特征在于,步骤S2中,所述最大轨迹长度根据应用场景动态调整:在单流应用场景下取值为5000,以优化内存消耗;在多流应用场景下取值为10000,以捕捉更复杂的交互模式;
对于实际轨迹长度超过所述最大轨迹长度的超长流量轨迹,采用滑动窗口技术执行所述截断操作。
3.根据权利要求1所述的方法,其特征在于,步骤S5中,所述最大加载时间根据业务场景预先设定:针对单流业务设定为80秒,针对多流业务设定为120秒。
4.根据权利要求1所述的方法,其特征在于,步骤S6中,对窗口索引进行裁剪,具体通过执行边界检查来实现,以确保所有窗口索引落在所述[0, ]范围内。
5.根据权利要求1所述的方法,其特征在于,步骤S8和S9中的所述直方图操作与所述加权直方图操作,采用向量化的bincount操作实现,并通过NumPy的优化例程进行高效统计;其中,所述加权直方图操作在计算入站数据包总大小特征时,对权重取负以确保特征值为正;当某个窗口没有数据包时,其对应的直方图统计值为零。
6.根据权利要求1所述的方法,其特征在于,步骤S10中,通过获取所述窗口索引数组W中唯一且升序排列的索引,得到所述非空窗口索引集合U;步骤S11中,所述计算连续非空窗口之间的索引差值,具体包括:计算相邻的非空窗口索引的差值,并将该差值赋给后一个非空窗口对应的间隔特征位置;对于首个非空窗口,将其间隔特征值设置为该窗口的索引值。
7.根据权利要求1所述的方法,其特征在于,步骤S13中,所述对特征矩阵进行对数变换包括:若所述有效记录索引集合为空,则直接返回零矩阵的对数变换结果;步骤S13之后,还包括对所述对数变换后的特征矩阵进行标准化处理。
8.一种基于统计窗口特征与跨窗口追踪的网站指纹识别系统,用于执行权利要求1所述的方法,其特征在于,包括以下部分:数据预处理模块:负责执行步骤S1-S4,用于接收原始网络流量数据,通过流量清洗、无效记录过滤及轨迹长度标准化处理,生成待处理的结构化流量数据集;
窗口划分引擎:负责执行步骤S5-S6,用于建立时间索引架构,通过时间戳归一化和线性映射,将连续流量数据离散化为多个固定时长的时间窗口单元;
双层次特征提取器:作为业务逻辑核心,负责执行步骤S7-S9,用于提取窗口内微观统计特性与窗口间宏观时间依赖关系;通过调用向量化计算引擎提供的计算接口,配置向量化算子以提取流量的深度特征,所述向量化算子包括直方图算子、权重算子;
向量化计算引擎:作为通用计算支撑,负责执行步骤S10-S11,用于提供基于矩阵运算的特征计算能力;通过封装所述向量化算子,将双层次特征提取器下发的非线性迭代逻辑转换为高并发矩阵运算,从而实现特征的高速计算;
特征后处理模块:负责执行步骤S12-S13,用于对计算完成的原始特征矩阵进行规范化整理,通过执行对数变换与标准化处理,输出符合机器学习模型输入要求的特征表示。
9.根据权利要求8所述的系统,其特征在于,所述双层次特征提取器还包括:流量方向识别单元,基于包信息的符号自动区分出站流量和入站流量;
计数统计单元,统计每个时间窗口内出站和入站数据包的数量;
大小统计单元,累计计算每个时间窗口内出站和入站数据包的总大小;
时间依赖建模单元,通过跟踪非空窗口的分布模式,以捕获流量时间动态特性;
空窗口处理单元,专门处理连续空窗口情况,确保间隔特征计算的准确性。
10.根据权利要求8所述的系统,其特征在于,所述向量化计算引擎还包括:并行处理单元,利用多核处理器架构同时处理多个时间窗口的特征计算;
内存优化单元,通过矩阵预分配和内存复用技术降低内存占用;
计算加速单元,通过集成GPU加速库对直方图操作进行硬件加速;
数值稳定单元,用于处理极端数值情况,防止对数变换中的数值溢出问题。