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

PDF
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。
encrypted traffic classificationcontrastive learningtemporal fusion encodergraph data augmentationmulti-task learning
发现论文，激发创造
  • TFE-GNN：一种使用图神经网络的时间融合编码器，用于精细化的加密流量分类

    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。

    Jul, 2023

  • 倾听少数族裔：用对比式预训练进行不平衡类别的加密流量分类

    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

  • 使用预训练的 Transformer 生成上下文感知的数据报文表示，用于加密流量分类：ET-BERT

    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

  • 加密流量分类的深度学习：概述

    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

  • 多还是少的样本？比较加密流量分类中的迁移、对比和元学习

    研究了在流量分类领域中，如何通过使用代表性更强的表示来减少对大规模标注数据集的依赖性，通过比较迁移学习、元学习和对比学习，发现对比学习是最佳方法，而元学习最差，树状机器学习模型对于小任务适用，而深度学习方法正在通过复用学习表示达到与树状模型相同的性能水平。同时，通过两个公共数据集的实验验证了大数据集可以获得更一般性的表示。

    May, 2023

  • PacketCGAN：使用 CGAN 探索加密流量分类的类别不平衡问题的研究

    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

  • 使用 Flowpic 输入表示对交通分类进行对比学习和数据增强

    在过去的几年中，由于深度学习的兴起，交通分类（TC）引起了人们持续的兴趣。然而，绝大多数 TC 文献缺乏代码实现、跨数据集的性能评估以及与机器学习（ML）方法的参考比较。在这篇论文中，我们在多个数据集上再现了一个采用最近的 DL 方法的研究，并验证了数据增强策略在其他数据集上的有效性。

    Sep, 2023

  • 弱监督时间路径表示学习与对比课程学习 — 扩展版

    本研究提出一种弱监督对比学习模型，通过构造有意义的正负时空路径样本来训练具有空间和时间信息的时间路径编码器，以获得通用的时间路径表示，用于智能城市应用的不同任务，同时采用课程学习策略来指导对比学习

    Mar, 2022

  • 深度包：一种使用深度学习进行加密流量分类的新方法

    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

  • AutoML4ETC：用于现实世界加密流量分类的自动神经架构搜索

    AutoML4ETC 是一个自动设计用于加密流量分类的高效和高性能神经架构的新工具，通过在数据包头字节使用不同的搜索策略，它能够在多个数据集上优于现有的加密流量分类器，并且在参数数量方面更加高效和轻量化。

    Aug, 2023