基于改进的CNN-Transformer加密流量分类方法

摘要

针对传统加密流量分类模型对特征提取不足导致分类准确率较低等问题，使用深度学习技术，提出一种基于改进的卷积神经网络结合Transformer的加密流量分类模型.为提高分类精度，首先将数据集切割填充并完成标准化处理；然后采用Transformer网络模型中的多头注意力机制捕获长距离的特征依赖，利用卷积神经网络提取局部特征；最后加入Inception模块实现多维特征提取和特征融合，完成模型训练和加密流量分类.在公共数据集ISCX VPN-non-VPN 2016上进行实验验证，实验结果表明，该模型的分类准确率达98.5%,精确率、召回率和F_1值均达98.2%以上，相比其他模型分类效果更优.

关键词

加密流量分类 / 卷积神经网络 / 多头注意力机制 / 特征融合

基金资助

国家自然科学基金(批准号：61702093); 中国高校产学研创新基金(批准号：2021ITA02011); 黑龙江省教育科学规划重点项目(批准号：GJB1423357)