Feb, 2024
一个训练实现两个任务的框架:使用监督对比学习的加密流量分类
One Train for Two Tasks: An Encrypted Traffic Classification Framework
Using Supervised Contrastive Learning
TL;DR在本文中,我们提出了一种名为对比学习增强时域融合编码器(CLE-TFE)的有效模型,通过使用监督对比学习增强数据包级别和流级别的表示,并对字节级流量图进行图数据增强,以捕捉字节之间的细粒度语义无关特性。我们还提出了跨级多任务学习,使用同一模型在一个训练中同时完成数据包级别和流级别的分类任务。进一步的实验表明,CLE-TFE在两个任务上实现了最好的整体性能,而其计算开销(即浮点运算次数,FLOPs)仅为预训练模型(例如ET-BERT)的1/14。我们在此https URL上发布了代码。