作者：韓松，單位：中國移動智慧家庭運營中心

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)應用類型日益復雜，從Web、郵件等傳統(tǒng)應用，發(fā)展到各類P2P應用、自定義業(yè)務協(xié)議等。識別網(wǎng)絡(luò)流量中的應用協(xié)議類型成為網(wǎng)絡(luò)管理中的一個重要問題。傳統(tǒng)的模式匹配和特征提取方法在面對復雜應用協(xié)議時存在局限性。近年來，人工智能領(lǐng)域出現(xiàn)的大語言模型為應用協(xié)議識別帶來新的契機。大語言模型通過預訓練學習獲得對語言的深刻理解，可以運用到對網(wǎng)絡(luò)流量的語義分析中。

具體來說，大語言模型可以“讀懂”網(wǎng)絡(luò)流量中應用層的協(xié)議語義，判斷HTTP、DNS等常見協(xié)議的格式，并可以對不常見協(xié)議進行anomaly detection。另外，大語言模型學習的知識可以幫助進行零樣本和少樣本學習，識別全新或樣本稀少的應用協(xié)議。業(yè)界一些最新研究已經(jīng)證明了大語言模型在應用協(xié)議識別中的效果。例如華為提出的ProtocolMate系統(tǒng)使用RoBERTa模型，實現(xiàn)了高達99.7%的準確率。另外基于BERT等模型的語義模糊方法，也表現(xiàn)出色。這些成果都表明了大語言模型的潛力。

Part 01●??應用協(xié)議識別是什么?●

應用協(xié)議識別(Application Protocol Identification)指的是識別網(wǎng)絡(luò)流量所使用的應用層協(xié)議的方法?；ヂ?lián)網(wǎng)上的應用通信需要遵循某種應用層協(xié)議，比如HTTP協(xié)議用于網(wǎng)頁瀏覽，DNS協(xié)議用于域名解析等。為了管理網(wǎng)絡(luò)流量，需要能自動識別流量所使用的應用協(xié)議。

應用協(xié)議識別的主要方法包括:

- 基于端口的識別：通過判斷特定端口號來識別協(xié)議，如80端口通常為HTTP。但有局限性。

- 模式匹配：通過查找協(xié)議特有的字節(jié)模式來匹配協(xié)議。

- 統(tǒng)計分析：提取流量統(tǒng)計特征，使用機器學習方法識別。

- 深度學習：使用LSTM、CNN等對流量進行端到端的深度學習,自動提取特征。

- 語法分析：解析應用層數(shù)據(jù)，判斷遵循的協(xié)議語法。

- 語義分析：利用大語言模型分析應用層語義，識別協(xié)議含義。

應用協(xié)議識別對于網(wǎng)絡(luò)流量監(jiān)控、安全防護等都有重要作用。隨著網(wǎng)絡(luò)應用日益復雜，更智能高效的應用協(xié)議識別技術(shù)變得尤為重要。

Part 02●?大語言模型的特點?●

大語言模型具有以下幾個主要特點：（1）卓越的語義理解能力；（2）強大的遷移學習能力；（3）多樣化的應用形式。

（1）卓越的語義理解能力

大語言模型通過預訓練，可以深度理解語言的上下文和語義關(guān)系，對詞匯、語法、常識都有很強的理解能力。這使其可以進行復雜的語義分析、文本生成等高難度語言處理任務。

（2）強大的遷移學習能力

大語言模型學到的語言知識具有很好的普適性，可以遷移至下游的不同任務中。即使下游任務數(shù)據(jù)不足，也可以取得不錯的效果。這使大語言模型可以擴展到更多不同的應用領(lǐng)域。

（3）多樣化的應用形式

大語言模型可以以不同的形式集成到實際應用中，如通過微調(diào)進行文本分類、句子匹配；用作Encoder來提取語義特征；生成回復文本等。這使其能夠靈活地服務于不同的NLP應用。

Part 03 ●??大語言模型的數(shù)據(jù)結(jié)構(gòu)?●

大語言模型通過組合使用各種特殊的數(shù)據(jù)結(jié)構(gòu)，模擬并實現(xiàn)了人類語言的關(guān)鍵能力。它使用詞向量把詞轉(zhuǎn)換成數(shù)字編碼，類似詞典定義。注意力機制讓詞語之間進行交流，理解上下文，就像人類的語言交流。深層網(wǎng)絡(luò)提取語義特征，殘差連接傳遞信息，位置編碼理解順序，都增強了模型的語言理解能力。遮蔽語言模型進行自主學習，像人類通過閱讀學習語言。數(shù)以億計的參數(shù)幫助記憶知識。通過集成這些數(shù)據(jù)結(jié)構(gòu)，大語言模型建立了一個像人腦一樣的語言理解和生成系統(tǒng)。它不僅能學習語言知識，理解語義，還能應用語言進行創(chuàng)造性的生成。大語言模型的數(shù)據(jù)結(jié)構(gòu)實現(xiàn)了它對語言的深刻理解，使其達到了接近人類的語言處理能力。

圖1 大語言模型各模塊說明

大語言模型的運行原理簡要概括如下:

首先，大語言模型會將輸入的文本序列轉(zhuǎn)化為數(shù)字表示的詞向量，就像一個詞典將詞語映射為向量。然后這些詞向量被輸入到由多層Transformer模塊組成的編碼器結(jié)構(gòu)中。在每個Transformer模塊內(nèi)，通過多頭注意力機制使詞向量之間進行交互，計算出詞與詞之間的相關(guān)性，以此來學習文本的上下文語義信息。

接著，經(jīng)過一個前饋全連接網(wǎng)絡(luò)進行特征提取和表示變換。為了訓練更深層的模型，還使用了殘差連接、層規(guī)范化等技術(shù)。位置編碼為模型加入了順序信息。大量的參數(shù)支持復雜的語義計算。在預訓練階段,大語言模型通過自監(jiān)督任務如遮蔽語言模型學到通用的語言知識。在微調(diào)階段，加入監(jiān)督學習特定下游任務。這樣，大語言模型通過先獲得泛化語言表示能力，再遷移到具體任務中，實現(xiàn)了對人類語言的建模和強大的語義理解與生成。它模擬人類獲取語言知識然后應用的過程。

圖2 大語言模型核心模塊運行機制

各種數(shù)據(jù)源通過Kafka接入到數(shù)據(jù)平臺層，數(shù)據(jù)平臺講明細數(shù)據(jù)存入數(shù)據(jù)存儲層的ClickHouse中，明細數(shù)據(jù)的存活時間可以根據(jù)業(yè)務需求設(shè)置。同時可以根據(jù)業(yè)務報表查詢的不同維度，利用ClickHouse的物化視圖形成預聚合數(shù)據(jù)，提高數(shù)據(jù)查詢效率。由數(shù)據(jù)服務層的定時任務周期性地從ClickHouse的預聚合數(shù)據(jù)中查詢業(yè)務所需的展示數(shù)據(jù)，把展示數(shù)據(jù)存入MySQL。由數(shù)據(jù)服務層的報表服務向數(shù)據(jù)展示層提供查詢服務，報表服務直接查詢MySQL中的結(jié)果數(shù)據(jù)，保證了查詢效率和并發(fā)性。

Part 04●??大語言模型在應用協(xié)議識別中的應用?●

大語言模型具有強大的語言理解和建模能力，在應用協(xié)議識別等領(lǐng)域中展現(xiàn)出巨大的應用潛力。

下面將具體闡述大語言模型在應用協(xié)議識別任務中的運作機制和應用流程：

應用協(xié)議識別針對網(wǎng)絡(luò)流量中的應用層協(xié)議報文，判斷其所屬的協(xié)議類別，是網(wǎng)絡(luò)流量分析的關(guān)鍵環(huán)節(jié)。針對不同協(xié)議類型，可以進行定制化分析。相比基于規(guī)則的方法，基于大語言模型的協(xié)議識別具有更強的適應性和拓展性。

大語言模型在協(xié)議識別任務中的應用流程可以分成以下幾個步驟：

（1）數(shù)據(jù)預處理，需要收集大規(guī)模的應用協(xié)議報文數(shù)據(jù)，如HTTP、DNS等，對報文數(shù)據(jù)進行清洗,提取純凈的協(xié)議語料。

（2）構(gòu)建協(xié)議詞表，將報文通過詞表轉(zhuǎn)換為數(shù)字id序列，方便模型處理。在獲取處理后的數(shù)據(jù)集后,需要預訓練語言模型以學習通用的協(xié)議語義特征。這里常用的預訓練模型是BERT等變種。通過使用大量協(xié)議報文數(shù)據(jù)Fine-tune預訓練模型，使其適應協(xié)議語言的模式，獲得協(xié)議方面的先驗知識。預訓練時也會使用Mask等技巧增強模型對協(xié)議語義的建模能力。

（3）微調(diào)模型以適應具體的協(xié)議識別任務。這里將建立一個協(xié)議類別分類模型，使用協(xié)議報文及其類別標簽進行監(jiān)督訓練。通過反向傳播等技術(shù)迭代優(yōu)化模型參數(shù)，使其逐步適應協(xié)議識別任務，輸出精確的類別判斷。

（4）部署微調(diào)模型。經(jīng)過預訓練和微調(diào)后，可以導出獲得的協(xié)議識別模型，并集成到在線網(wǎng)絡(luò)流量分析系統(tǒng)中。在線部署后，對實時網(wǎng)絡(luò)流量進行抓取，提取協(xié)議報文，輸入到導出的協(xié)議識別模型中，完成在線流量的智能協(xié)議分析。

整個流程充分利用了大語言模型支持的遷移學習范式。先通過自監(jiān)督在大規(guī)模語料上學習通用語言表示,然后快速適應下游任務。相比獨立訓練，這種方法顯著減少了人工特征工程，降低了對任務特定樣本量的依賴。同時也增強了模型的泛化能力。

綜上所述，依托預訓練-微調(diào)框架，大語言模型可以高效適應協(xié)議識別等專業(yè)領(lǐng)域任務。它模擬人類語言學習過程，在大規(guī)模非標注語料上學習語義知識,然后遷移應用。這為解決更多特定領(lǐng)域的語言理解問題，提供了一個可靠的通用框架和技術(shù)路線。下圖給出了采用AI大語言模型的協(xié)議識別方法相對于傳統(tǒng)的基于域名規(guī)則的協(xié)議識別方法在準確率，識別精度和召回率上的效果提升。

各種數(shù)據(jù)源通過Kafka接入到數(shù)據(jù)平臺層，數(shù)據(jù)平臺講明細數(shù)據(jù)存入數(shù)據(jù)存儲層的ClickHouse中，明細數(shù)據(jù)的存活時間可以根據(jù)業(yè)務需求設(shè)置。同時可以根據(jù)業(yè)務報表查詢的不同維度，利用ClickHouse的物化視圖形成預聚合數(shù)據(jù)，提高數(shù)據(jù)查詢效率。由數(shù)據(jù)服務層的定時任務周期性地從ClickHouse的預聚合數(shù)據(jù)中查詢業(yè)務所需的展示數(shù)據(jù)，把展示數(shù)據(jù)存入MySQL。由數(shù)據(jù)服務層的報表服務向數(shù)據(jù)展示層提供查詢服務，報表服務直接查詢MySQL中的結(jié)果數(shù)據(jù)，保證了查詢效率和并發(fā)性。

Part 05●??總結(jié)展望?●

總結(jié)來說，大語言模型通過預訓練-微調(diào)的框架，先在大規(guī)模協(xié)議語料上學習通用語義表示，然后遷移應用到具體的協(xié)議識別任務，實現(xiàn)了對網(wǎng)絡(luò)流量的智能解析。相比規(guī)則方法，這種方式顯著提高了模型的適應性和拓展性。

展望未來，大語言模型在應用協(xié)議識別領(lǐng)域還有多個方向的探索價值：(1) 構(gòu)建更大規(guī)模的跨協(xié)議預訓練語料庫，增強模型對協(xié)議語言的理解能力。(2)嘗試不同模型架構(gòu)，如基于編碼器-解碼器的BART等，進一步提升建模效果。(3) 多任務學習框架，同時適配相關(guān)任務如協(xié)議語義解析，共享語義知識。(4) 在線增量學習機制，使deployed模型能隨新協(xié)議更新迭代。(5) 模型壓縮技術(shù)，部署輕量高效的協(xié)議識別引擎。(6) 可解釋性和安全性等考量，增加模型判斷的透明度和可控性。隨著模型和數(shù)據(jù)規(guī)模的提升，大語言模型必將持續(xù)改進應用協(xié)議理解，在更廣泛的網(wǎng)絡(luò)分析任務中發(fā)揮關(guān)鍵作用。

參考：

【1】自然語言大模型介紹，2023年04月01日，

https://zhuanlan.zhihu.com/p/618786499(訪問日期：2023年8月19日）

各種數(shù)據(jù)源通過Kafka接入到數(shù)據(jù)平臺層，數(shù)據(jù)平臺講明細數(shù)據(jù)存入數(shù)據(jù)存儲層的ClickHouse中，明細數(shù)據(jù)的存活時間可以根據(jù)業(yè)務需求設(shè)置。同時可以根據(jù)業(yè)務報表查詢的不同維度，利用ClickHouse的物化視圖形成預聚合數(shù)據(jù)，提高數(shù)據(jù)查詢效率。由數(shù)據(jù)服務層的定時任務周期性地從ClickHouse的預聚合數(shù)據(jù)中查詢業(yè)務所需的展示數(shù)據(jù)，把展示數(shù)據(jù)存入MySQL。由數(shù)據(jù)服務層的報表服務向數(shù)據(jù)展示層提供查詢服務，報表服務直接查詢MySQL中的結(jié)果數(shù)據(jù)，保證了查詢效率和并發(fā)性。