技術(shù)特征：

1.一種基于誤碼率模型的未知通信協(xié)議識別方法，其特征在于，包括以下步驟：

(1)、數(shù)據(jù)采集及預(yù)處理

利用網(wǎng)絡(luò)抓包工具抓取網(wǎng)絡(luò)中的通信數(shù)據(jù)，再將通信數(shù)據(jù)按照幀格式進(jìn)行存儲，且每一幀進(jìn)行二進(jìn)制處理，最后將處理完成的已知協(xié)議通信數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，將未知協(xié)議通信數(shù)據(jù)作為被識別數(shù)據(jù)；

(2)、對訓(xùn)練數(shù)據(jù)進(jìn)行特征提取，得到協(xié)議特征庫

(2.1)、利用模式匹配算法提取頻繁集

根據(jù)已有網(wǎng)絡(luò)協(xié)議特征字符串允許的長度，窮舉所有的1～6字節(jié)的二進(jìn)制字符串，記為{p₁，p₂，p₃，......，p_m}，p_m表示第m個二進(jìn)制字符串，最后將窮舉的所有二進(jìn)制字符串作為模式字符串；

提取訓(xùn)練數(shù)據(jù)中的每一幀數(shù)據(jù)，組成目標(biāo)字符串{t₁，t₂，t₃，......，t_n}，t_n表示第n幀數(shù)據(jù)；

將{p₁，p₂，p₃，......，p_m}和{t₁，t₂，t₃，......，t_n}作為模式匹配算法的輸入，通過模式匹配算法進(jìn)行匹配，并記錄匹配成功的模式字符串以及其在目標(biāo)字符串中的位置，最后統(tǒng)計相同位置上出現(xiàn)同一模式字符串的幀數(shù)，并將幀數(shù)占比大于M％的模式字符串定義為此協(xié)議的頻繁字符串，最后將所有頻繁字符串組成頻繁集{f₁，f₂，f₃，......，f_K}，f_K表示第K個頻繁字符串；

(2.2)、利用關(guān)聯(lián)規(guī)則分析算法提取協(xié)議特征

將頻繁集{f₁，f₂，f₃，......，f_K}及頻繁字符串在各個幀中出現(xiàn)的位置作為關(guān)聯(lián)規(guī)則分析算法的輸入，通過關(guān)聯(lián)規(guī)則分析算法對頻繁字符串進(jìn)行關(guān)聯(lián)規(guī)則分析，得到關(guān)聯(lián)字符串，再統(tǒng)計出關(guān)聯(lián)字符串出現(xiàn)的次數(shù)和位置，并將關(guān)聯(lián)字符串出現(xiàn)的次數(shù)占比大于M％的關(guān)聯(lián)字符串作為識別規(guī)則，再將識別規(guī)則中的頻繁字符串{f₁，f₂，f₃，......，f_k}存入?yún)f(xié)議特征庫中，其中，f_k表示第k(k≤K)個頻繁字符串；

(3)、利用模糊匹配算法獲取模糊特征集

(3.1)、計算被識別數(shù)據(jù)允許的最大誤比特數(shù)

$character\_error=\frac{L1}{L2}*FER$

其中，L1表示允許的最長特征串的長度，L表示被識別數(shù)據(jù)幀的幀長度，F(xiàn)ER表示被識別數(shù)據(jù)的誤幀率；

(3.2)、根據(jù)協(xié)議特征庫，利用模糊匹配算法提取最大誤比特數(shù)范圍內(nèi)的所有模糊特征字符串

將被識別數(shù)據(jù)、頻繁字符串{f₁，f₂，f₃，......，f_k}和被識別數(shù)據(jù)允許的最大誤比特數(shù)作為模糊匹配算法的輸入，通過模糊匹配算法進(jìn)行匹配，記錄匹配成功的模糊特征字符串及其在被識別數(shù)據(jù)幀中的位置，并存入到模糊特征集中；

(4)、采用Jena自動推理機識別幀的協(xié)議類型

首先建立推理規(guī)則庫，再將模糊特征集中的模糊特征字符串和推理規(guī)則庫作為Jena自動推理機的輸入，并進(jìn)行推理，得出每一組模糊特征字符串所對應(yīng)的協(xié)議類型，即為此的協(xié)議類型。

2.根據(jù)權(quán)利要求1所述的一種基于誤碼率模型的未知通信協(xié)議識別方法，其特征在于，所述的模式識別算法包括AC算法、AC-BM算法、Wu-Manber算法。

3.根據(jù)權(quán)利要求1所述的一種基于誤碼率模型的未知通信協(xié)議識別方法，其特征在于，所述的關(guān)聯(lián)規(guī)則分析算法包括Apriori算法和FP-Growth算法。

4.根據(jù)權(quán)利要求1所述的一種基于誤碼率模型的未知通信協(xié)議識別方法，其特征在于，所述的步驟(4)還可以采用SVM識別數(shù)據(jù)協(xié)議類型，具體為：

建立SVM模型：將頻繁字符串{f₁，f₂，f₃，......，f_k}作為訓(xùn)練數(shù)據(jù)輸入到SVM中訓(xùn)練，得到SVM模型；

將模糊特征集中的模糊特征字符串輸入到SVM模型中，通過SVM模型識別出每一幀的數(shù)據(jù)協(xié)議類型。