基于流序列特征融合与注意力机制的加密流量分类方法

摘要

现有加密流量分类方法中对缺少对流量字节本身特征的研究，存在特征冗余、流量表征方式不全面和公开数据集中样本分布不平衡等问题.为解决上述问题，本文提出了一种基于流序列特征融合与注意力机制的加密流量分类方法SFAN(Stream Feature Attention Network).首先，针对特征冗余问题，提出了一个基于混合神经网络的特征提取方法；其次，针对流量表征问题，结合流量原始字节序列与数据包长度序列表征网络流量，再利用注意力机制衡量不同特征的重要性；最后，针对公开数据集中样本分布不平衡的问题，在模型训练层面优化损失函数提高分类精度.利用公开数据集ISCX VPN-nonVPN进行了广泛的实验，SFAN的总体准确率达到98.49%,F1值为98.03%.实验表明，所提出的加密流量分类方法能够有效识别不同应用程序产生的网络流量.

关键词

加密流量分类 / 混合神经网络 / 多维度特征融合 / 注意力机制