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
本文提出了一种新颖的流量表示模型称为ET-BERT,该模型在大规模未标记的数据上对Deep contextualized datagram-level进行预训练,然后在少量特定任务的有标签数据上进行微调,取得了在五个加密流量分类任务上的最新成果,尤其是在ISCX-Tor任务上的99.2%的F1分数所达到的显着的提高是本文的重点,作者解释了预训练模型的强力原因,并分析了加密流量之间边界的分类能力,为未来的研究和应用提供了新的思路。
Feb, 2022
本文研究使用物理信道记录进行5G非独立组网(NSA)应用层加密流量的实时分类。通过测试多种机器学习模型,提出了一种基于LGBM的解决方案,实验表明该算法可以在10ms内实现95%的准确率。
Jul, 2023
本研究提出了一种基于点互信息的字节级流量图构建方法,并结合图神经网络,设计了名为TFE-GNN的模型用于特征提取,在细粒度的加密流量分类任务中,TFE-GNN优于多种最先进的方法。
提出了一种新型的预训练半监督加密流量分类框架(PASS),通过重采样原始训练数据集、对相似流量样本进行对比预训练和结合伪标签迭代和动态损失加权算法的半监督优化策略,以解决流量类别不平衡和流量同质性等问题,在四个公开数据集上表现出色,显著提升了Cross-Platform215和ISCX-17的分类性能。同时验证了PASS中对比预训练和伪标签迭代组件的普适性,可以适应不同特征提取器的加密流量分类方法。
Aug, 2023
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
网络流量分析是网络管理、故障排除和安全性的基础。本文提出了一种基于多模态自动编码器(MAE)的深度学习(DL)体系结构,用于解决不同的流量分析任务,其中包括流量分类(TC)任务。研究结果表明,MAE体系结构在TC任务中能够与现有解决方案相媲美甚至更好,同时避免了繁琐的特征工程,从而简化了采用DL方法进行流量分析的过程。
May, 2024
网络流量分类是一个重要的研究领域,追求提升服务质量、简化网络管理和加强网络安全。NetMamba是一个高效的线性时间状态空间模型,具备全面的流量表示方案,以应对传输加密技术不断复杂化带来的挑战,并利用改进后的Mamba架构取代Transformer,实现了更高的效率和准确性。
使用ECHO方法,通过非均匀二进制映射优化以及早期分类的技术,能够更高效地对互联网流量进行加密流量分类,从而实现显著的分类效率提升。
Jun, 2024
本研究解决了加密流量分类中明文和加密文本对模型效果和效率影响的不足。提出了一种双阶段方法,第一阶段通过DPC选择器快速确定是否可以仅使用明文进行准确分类,第二阶段则为无法用明文分类的样本结合加密信息,从而提升流量分类的整体效果和效率。实验结果表明,该方法在有效性和效率上均达到了最先进行效果。
Jul, 2024