介绍了一个基于深度学习的 Traffic Classification 框架，讨论了常见的深度学习方法及其在 Traffic Classification 任务中的应用，探讨并解决了深度学习方法中的开放性问题和挑战。

Oct, 2018

本文提出了一种基于深度学习的网络流量分类方法 Deep Packet，通过嵌入堆叠自编码器和卷积神经网络将特征提取和分类融合为一体，能够识别加密和 VPN 网络流量，并取得了 95% 以上的分类准确率。

Sep, 2017

使用基于人工智能的自主端到端安全设计方法，通过检测网络流量异常，解决 5G 网络上物理设备的安全问题。本研究使用最近发布的 5G 流量数据集 5G-NIDD，并通过机器学习和深度学习方法来检测网络流量异常。通过可视化技术、数据降维、解决类别不平衡问题以及分类器的评估，我们得到了最佳结果，使用 K 最近邻分类器时准确率达到 97.2%，检测率为 96.7%，误报率为 2.2%。

Dec, 2023

本文提出了一种基于条件生成对抗网络（PacketCGAN）的通信数据增强方法，用于处理加密流量分类问题中不同加密应用程序数据不平衡的问题。实验证明，相对于其他数据扩充方法，基于 PacketCGAN 数据集的深度学习加密流量分类器胜过其他方法。

Nov, 2019

加密网络流量分类研究中，提出了基于自适应分类和检索的方法来解决分类模型无法处理未知类别问题的挑战，避免了资源和时间上的消耗，并实现了实时分类和较好的分类准确性。

Mar, 2024

通过对单流时间序列进行时间序列分析，本文提出了一种新型流量特征的流扩展，其中 69 个通用特征基于数据点的统计分析、时域分析、流时间跨度内的数据包分布、时间序列行为和频域分析。使用 15 个公开可用的数据集，我们展示了所提出的特征向量在各种网络流量分类任务中的可用性和普适性。评估结果表明，该新型特征向量在二进制和多类分类任务上的分类性能与相关工作相当或更好。在超过一半的评估任务中，分类性能提高了多达 5%。

Jul, 2023

本论文探讨了机器学习在 6G 中扮演的角色，提出通过隐式通道学习来完成无线信道估计与机器学习任务结合的方法，并在无线数据传输中达到了 60% 的图像和语音分类任务准确率提升。

Jun, 2022

深度学习在无线电通信信号分类方面的性能与基线方法比较研究，研究了不同配置和信道失真情况下的分类性能，探讨了载波频率偏移、符号速率和多径衰落等因素对性能的影响，并使用软件无线电进行了室内分类性能的实测，最终讨论了该技术的应用存在的问题和设计考虑。

Dec, 2017

我们研究了实时场景下应用于移动网络流量预测的两种实时预测算法的有效性，发现 Fast LiveStream Prediction（FLSP）算法相对于传统的在线预测算法，在异步数据汇报情况下，能够减少所需带宽一半，并提高预测准确性和降低处理负载。我们还通过对各种机器学习模型的算法复杂度和内存需求进行了细致分析，从而提供有关不同预测策略的权衡，为动态环境下的网络优化和资源分配提供了有价值的指导。

May, 2024

该论文提出了一种新的基于深度神经网络（DNN）的用户活动检测框架，用于从嗅探的加密互联网流量中识别移动应用程序中执行的细粒度用户活动（称为应用内活动）。 该框架使用基于时间窗口的方法将活动的流量分成片段，因此只需观察与活动相关的流量的一小部分就可以识别应用内活动。此框架的准确性为 90％或以上，用于识别已经训练好的应用内活动，并在识别以前未经训练的应用内活动流量（即未知数据）时具有平均准确性 79％。

Mar, 2022