通过检索加密网络流量提升自适应分类的 CBR - Boosting 技术
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
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
在图分类任务中,我们提出了一种名为 Retrieval Augmented Hybrid Network (RAHNet) 的新框架,通过联合学习强鲁棒性特征提取器和无偏分类器,解决了长尾类别分布的问题,并通过图检索模块和类别中心的有监督对比损失等策略来改善图分类算法的性能。
Aug, 2023
本文评估深度学习技术在网络流量分类中对抗网络攻击的鲁棒性,通过三种不同类别的攻击方法注入通用对抗扰动,发现即使注入微小的扰动也能显著降低深度学习技术在包分类、数据包内容分类和时间序列分类中的分类性能。
Mar, 2020
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
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。
Feb, 2024
本文针对 UNSW-NB15 数据集的类不平衡和特征空间中的类重叠问题,提出了一种机器学习分类器的数据驱动设计和性能评估方法,其中使用 Balanced Bagging、eXtreme Gradient Boosting、Hellinger Distance Decision Tree 等集成方法来解决不平衡数据问题,提出了两种新的算法来解决类重叠问题,并提高了测试数据的分类性能。实验证明,相比已有技术,该方法在二元和多种情况下均有显著优势。
May, 2022
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
该研究利用深度学习进行检测,通过提出一种双向递归神经网络(SBRNN)的技术,能够在不知道通道模型的情况下进行检测,且在分子通信系统中表现出良好的性能。
Jan, 2018