一个基于transformer的IPSec VPN加密流量分类系统，能够对FTP、IM、Web等应用协议进行识别和分类。
本项目采用深度学习技术，基于加密VPN流量的统计特征（包括数据包长度、时间间隔等），实现对不同应用协议流量的分类。系统包含离线模型训练和在线流量预测两个主要模块，提供Web UI友好交互界面。
- 多协议支持：FTP、IM（即时通讯）、Web等应用流量分类
- 深度学习模型：基于Transformer架构的时序分类模型
- 特征工程：从PCAP文件自动提取统计特征
- Web界面：提供可视化的流量分析和预测界面
- 高精度预测：在加密流量中实现高准确率的协议识别
- Python 3.8+
- pip 或 conda 包管理器
- 克隆项目
git clone https://github.com/vverky/IPSec-VPN-Classification.git
cd IPSec-VPN-Classification- 创建虚拟环境（推荐）
# 使用venv
python -m venv venv
source venv/bin/activate # Linux/Mac
# 或
venv\Scripts\activate # Windows
# 或使用conda
conda create -n ipsecvpn python=3.9
conda activate ipsecvpn- 安装依赖
pip install -r requirements.txt- 运行Web应用
python app.py应用将在 http://localhost:5000 启动
IPSecVPN_traffic/
├── app.py # Flask Web应用主程序
├── model_prediction.py # 流量预测模块
├── requirements.txt # 项目依赖
├── model/
│ ├── 0.keras # 预训练模型文件
│ ├── length_prediction.keras # 长度预测模型
│ ├── feature_extraction.py # 特征提取模块
│ ├── data_preprocess.py # 数据预处理
│ ├── model_training.py # 模型训练脚本
│ ├── traffic_decryption.py # 流量处理工具
│ └── data/ # 原始PCAP数据集
│ ├── ftp/
│ ├── im/
│ └── web/
├── templates/
│ └── index.html # Web应用前端
├── static/
│ ├── css/style.css
│ └── js/script.js
└── output/ # 预测结果输出目录
启动Flask应用后，访问 http://localhost:5000：
- 选择待分类的PCAP文件
- 点击"上传"按钮
- 系统自动提取特征并进行分类
- 下载结果（特征CSV和预测结果）
import model_prediction as predict
# 处理PCAP文件
csv_path, pred_path = predict.process_pcap('your_traffic.pcap')
# 读取结果
import pandas as pd
features = pd.read_csv(csv_path)
predictions = pd.read_csv(pred_path)python model/model_training.py项目使用的数据集包含三个应用协议的加密流量：
- FTP：文件传输协议流量
- IM：即时通讯应用流量（QQ、微信等）
- Web：HTTP/HTTPS Web浏览流量
每个类别包含100+个PCAP格式的加密流量样本。
从PCAP文件中提取以下特征：
- 数据包长度序列
- 数据包到达时间间隔
- 流量方向信息
- 协议头特征
- 模型架构：Transformer-based序列分类
- 输入维度：时间序列特征向量
- 输出：协议类别概率
- 实时流量分类
- 批量PCAP文件处理
- 预测结果导出（CSV格式）
模型在测试集上的性能表现：
| 协议类别 | Precision | Recall | F1-Score |
|---|---|---|---|
| FTP | 95.2% | 93.8% | 94.5% |
| IM | 92.1% | 94.3% | 93.1% |
| Web | 96.5% | 95.7% | 96.1% |
- 深度学习框架：TensorFlow 2.x
- 数据处理：Pandas, NumPy, Scikit-learn
- 网络分析：Scapy
- Web框架：Flask
- 可视化：Matplotlib, Seaborn
- PCAP文件格式：确保上传的文件是标准PCAP或PCAPNG格式
- 流量要求：建议使用加密VPN流量（IPSec）以获得最佳效果
- 模型更新：当数据分布变化时，建议重新训练模型
- 隐私保护：系统仅处理流量元数据，不保存实际数据内容
欢迎提交Issue和Pull Request！请参阅 CONTRIBUTING.md
本项目采用MIT许可证。详见 LICENSE 文件。
A: Linux、Windows、macOS均可支持，需Python 3.8+环境。
A: 确保PCAP文件包含完整的加密流量记录，通过Web界面或process_pcap()函数处理。
A: 可能原因包括：流量特征差异、VPN加密方式不同、数据质量问题等。建议收集更多目标数据并重新训练。
- 初始版本发布
- 支持三种应用协议分类
- Web UI界面
- 模型训练和预测功能
- 支持更多应用协议类别
- 模型轻量化（MobileNet等）
- 实时流量监测功能
- 分布式处理支持
- 模型可解释性分析
⭐ 如果本项目对你有帮助，请给个Star！