CICFlowMeter 网络流量分析与特征提取工具使用指南
2026-02-06 05:42:01作者:段琳惟
CICFlowMeter(原名 ISCXFlowMeter)是一个开源的网络流量分析工具,能够从pcap文件中生成双向流量流(Biflows)并提取丰富的流量特征。该工具广泛应用于网络安全研究和异常检测领域,特别是在多个知名的网络安全数据集中发挥着重要作用。
项目概述
CICFlowMeter 是一个功能强大的网络流量流生成器,能够生成双向流量流,其中第一个数据包确定前向(源到目的地)和后向(目的地到源)方向,从而可以分别计算前向和后向方向的统计时间相关特征。该工具还支持从现有特征列表中选择特征、添加新特征以及控制流超时持续时间。
环境准备与依赖安装
安装 jnetpcap 本地仓库
CICFlowMeter 依赖于 jnetpcap 库进行网络数据包捕获和分析。在运行项目前需要先安装 jnetpcap 本地仓库:
# Linux 系统安装步骤
cd jnetpcap/linux/jnetpcap-1.4.r1425
mvn install:install-file -Dfile=jnetpcap.jar -DgroupId=org.jnetpcap -DartifactId=jnetpcap -Dversion=1.4.1 -Dpackaging=jar
# Windows 系统安装步骤
cd jnetpcap/win/jnetpcap-1.4.r1425
mvn install:install-file -Dfile=jnetpcap.jar -DgroupId=org.jnetpcap -DartifactId=jnetpcap -Dversion=1.4.1 -Dpackaging=jar
项目运行方式
使用 IntelliJ IDEA 运行
在 IntelliJ IDEA 中打开终端并执行以下命令:
# Linux 系统
sudo bash
./gradlew execute
# Windows 系统
gradlew execute
使用 Eclipse 运行
在 Eclipse 中运行项目需要进行以下配置:
- 右键点击
src/main/java/cic/cs/unb/ca/ifm/App.java - 选择
Run As->Run Configurations->Arguments - 在
VM arguments中添加:-Djava.library.path="jnetpcap/linux/jnetpcap-1.4.r1425" - 点击
Run运行
或者直接右键点击 App.java 选择 Run As -> Java Application
项目打包与分发
使用 Gradle 打包
# Linux 系统
./gradlew distZip
# Windows 系统
gradlew distZip
打包后的 ZIP 文件将生成在 build/distributions 目录下。
使用 Maven 打包
mvn package
使用 Maven 打包后,JAR 文件将生成在 target 目录中。
流量特征提取功能
CICFlowMeter 能够提取 80 多个网络流量特征,包括:
基本流量统计特征:
- 流持续时间(Flow duration)
- 前向/后向数据包总数
- 前向/后向数据包总长度
- 数据包长度统计(最小值、最大值、均值、标准差)
时间相关特征:
- 流字节/秒(Flow Bytes/s)
- 流数据包/秒(Flow Packets/s)
- 流内到达时间统计(IAT Mean, Std, Max, Min)
- 前向/后向 IAT 统计
协议标志特征:
- TCP 标志计数(FIN、SYN、RST、PSH、ACK、URG、CWR、ECE)
- 前向/后向 PSH 标志
- 前向/后向 URG 标志
高级流量特征:
- 下载/上传比率(down/Up Ratio)
- 平均数据包大小
- 子流统计
- 活动/空闲时间统计
- 初始窗口字节数
典型应用场景
网络安全研究
CICFlowMeter 广泛应用于多个网络安全数据集的分析,包括:
- Android 广告软件和通用恶意软件数据集(CICAAGM2017)
- 入侵检测系统数据集(CICIDS2017)
- Android 恶意软件数据集(CICAndMal2017)
- 分布式拒绝服务攻击数据集(CICDDoS2019)
异常检测
通过提取的丰富流量特征,研究人员可以:
- 训练机器学习模型进行网络异常检测
- 识别恶意流量模式
- 分析加密和VPN流量特征
- 进行TOR流量特征分析
技术特点
- 双向流生成:支持生成完整的双向流量流分析
- 特征可扩展:允许用户选择现有特征或添加新特征
- 超时控制:可自定义流超时持续时间
- 协议支持:全面支持TCP和UDP协议分析
- 跨平台:支持Linux和Windows操作系统
注意事项
- TCP 流通常在连接拆除时终止(通过FIN数据包)
- UDP 流通过流超时终止,超时值可以任意分配(例如TCP和UDP都为600秒)
- 运行需要相应的系统权限,Linux系统建议使用sudo
CICFlowMeter 作为一个成熟的网络流量分析工具,为网络安全研究人员提供了强大的流量特征提取能力,是进行网络异常检测和流量分析的重要工具。
登录后查看全文
热门项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust013
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
最新内容推荐
如何用自然语言掌控电脑?UI-TARS-desktop智能助手入门指南离线语音资源全攻略:高效管理与优化指南4步攻克抖音直播回放留存难题:面向内容创作者的全流程技术指南Home Assistant功能扩展实战指南:从问题诊断到价值实现的完整路径开源工具 AzurLaneLive2DExtract:3大核心优势助力碧蓝航线Live2D模型资源提取与二次创作Godot卡牌游戏框架深度探索:从理论架构到实战开发直播内容管理新维度:多场景直播归档方案全攻略OBS Advanced Timer:5个直播控时秘诀让你的直播节奏尽在掌握零基础掌握Home Assistant扩展:Docker加载项实战指南虚拟显示技术重塑数字工作空间:突破物理屏幕限制的多屏效率革命
项目优选
收起
暂无描述
Dockerfile
677
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
518
629
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
947
888
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
399
303
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.57 K
909
暂无简介
Dart
922
228
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
559
昇腾LLM分布式训练框架
Python
144
169
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381