时空特征与注意力机制加密流量分类模型

摘要

针对现有基于深度学习加密流量分类方案存在泛化能力有限、时空特征提取不充分等问题.本文提出了基于注意力机制和时空特征的加密流量分类组合框架CSL-ETC.该框架将流量数据转换成灰度图像，再使用卷积神经网络提取流量的高阶空间特征，进而运用挤压和激励模块对高阶空间特征进行加权和重新分配，从而获得流量的关键空间特征，最后使用长短期记忆网络分析连续网络流并获得时空关联特征，最终实现了对网络流量的精准分类.在ISCX VPN-nonVPN、ISCX Tor-nonTor和USTC-TFC2016公开数据集上，对CSL-ETC模型进行了实验验证，结果表明：CSL-ETC方案可以对网络流量进行精准分类，且对加密应用底层的流量分类准确率超过了97%,F1分数值以及召回率也均超过97%,高于或不逊色于大多数其它的模型.

关键词

加密流量分类 / CNN / LSTM / 注意力机制

基金资助

国家自然科学基金项目(62002184)资助; 安徽省高校自然科学重点项目(2024AH050011)资助; 香港狮子山网络安全实验室研究课题项目(LRL24017)资助