TrafficCross:面向加密流量分类的跨视图多模态信息融合
《Information Fusion》:TrafficCross: Cross-View Multimodal Information Fusion for Encrypted Traffic Classification
【字体:
大
中
小
】
时间:2026年10月21日
来源:Information Fusion 17.4
编辑推荐:
## 摘要
- 针对加密流量分类,提出了一种跨视图多模态融合框架。
- 在有限可观测性条件下,对三种异构流量视图进行联合建模。
- 基于角色的端点净化方法在抑制端点身份的同时保留了交互语义。
- 跨视图注意力机制实现了视觉、统计和时序证据之间的交互。
- 在六个公开数据集上
## 摘要- 针对加密流量分类,提出了一种跨视图多模态融合框架。- 在有限可观测性条件下,对三种异构流量视图进行联合建模。- 基于角色的端点净化方法在抑制端点身份的同时保留了交互语义。- 跨视图注意力机制实现了视觉、统计和时序证据之间的交互。- 在六个公开数据集上的实验表明,该框架以紧凑的模型规模实现了具有竞争力的性能。## 引言加密互联网流量的快速增长从根本上改变了网络流量的可观测性和分析方式[1]。虽然加密保护了用户隐私和数据机密性,但也使负载内容对流量分析系统不可见。因此,加密流量分类必须依赖于间接且不完整的观测,例如数据包大小、时序模式、字节分布、流统计和协议元数据。这些观测提供了有用但有限的证据:每个视图仅捕获底层通信行为的某一个方面,并可能受到噪声、环境偏差或流量变异性的影响。从信息融合的角度来看,加密流量分类因此是一个在有限可观测性条件下的典型多源推断问题。其目标不仅是分类流量流,还要将来自不同流量视图的异构证据整合为统一且具有判别力的表示。这一需求对广泛的加密流量分析任务至关重要,包括应用识别、服务级识别、加密隧道检测和恶意流量分类。传统方法如深度包检测(DPI)和基于端口的启发式方法由于负载被加密以及应用程序频繁使用动态端口或共享传输协议而日益失效。因此,机器学习已成为加密流量分类的主要方法[2]。早期的机器学习方法主要依赖手工设计的统计特征,如数据包大小分布和到达间隔时间。这些特征高效且可解释,但通常过于粗糙,无法捕获加密通信的结构和时序语义。近期的深度学习方法通过引入不同的流量视图改进了表示学习。受自然语言处理(NLP)启发的序列方法[3][4]将流量建模为字节或数据包序列,而视觉方法[5][6][7][8][9]将流量转换为类图像表示以捕获局部字节级模式。大规模无监督预训练也被探索用于增强流量表示学习[3][4][5]。现有的加密流量分类器采用了单视图和多模态表示。近期的多模态方法通过特征级、共享表示或决策级融合来结合异构流量证据。然而,有效建模结构上异构的流量视图之间的交互仍然是一个重要挑战。视觉表示可以捕获字节布局中的局部结构模式,但可能忽略长程时序依赖。统计表示紧凑高效,但通常缺乏细粒度的判别力。序列表示对数据包级动力学建模有效,但可能对噪声或不完整流敏感。这些特性促使对异构流量视图进行联合建模,同时也引发了如何有效整合其不同表示的问题。一个关键挑战是如何有效融合异构流量证据。简单的特征拼接可能引入冗余,且没有明确建模不同视图之间的交互。决策级融合可以结合多个分类器,但通常增加计算成本并削弱共享表示学习。对于实际加密流量分析,理想的融合框架应满足三个要求:应能实现异构流量表示之间的有效交互,同时保留有用的模态特定信息;缓解视图特定噪声和偏差;并保持足够的紧凑性以便实际部署。为应对这些挑战,我们提出了 **TrafficCross**,一个用于加密流量分类的跨视图多模态信息融合框架。TrafficCross 从原始流量流构建三种异构流量视图:视觉字节模式证据、统计行为证据和时序包动力学证据。这些视图经过模态特定编码器处理,并通过跨视图注意力融合模块集成,该模块建模异构表示之间的依赖关系。所得的跨视图交互特征进一步与模态特定表示结合,形成用于下游分类的统一表示。本文的主要贡献总结如下:- 我们将加密流量分类形式化为有限可观测性条件下的多源信息融合问题。TrafficCross 不依赖单一的流量表示,而是联合建模视觉、统计和时序证据,从不同角度刻画加密通信特征。- 我们设计了一种端点净化的视觉编码策略,在移除显式端点标识符的同时保留客户端-服务器角色信息。该表示减少了对原始IP地址和传输端口值的直接依赖。- 我们开发了一种紧凑的多模态融合架构,由门控统计编码器、时序序列编码器和跨视图注意力融合模块组成。门控统计编码器自适应调节行为特征,时序编码器捕获数据包级上下文依赖,融合模块在保留模态特定特征的同时建模异构流量表示之间的交互。- 我们在六个公开加密流量数据集上评估了TrafficCross,涵盖Tor、虚拟专用网络流量、DNS-over-HTTPS隧道、恶意软件通信以及混合良性/恶意流量。实验结果表明,TrafficCross 在多种任务上实现了具有竞争力的性能,同时保持了约 **8 MB** 的紧凑模型规模。总体而言,TrafficCross 表明跨视图多模态信息融合可以为加密流量分类提供一种有效且紧凑的方法。该框架不追求大幅增大模型,而是强调紧凑的跨视图证据集成,为有限可观测性条件下的加密流量分析提供了一种紧凑的跨视图融合设计。## 各节摘要### 相关工作加密流量分类在网络安全、流量分类和表示学习领域已被广泛研究。由于加密负载内容不可获取,现有方法主要依赖可观测的旁路证据,如数据包统计、字节级模式、数据包序列、协议元数据和关系结构。这些表示提供了加密通信行为的不同视角。从信息融合的角度来看,关键问题是……### 方法本节介绍了 **TrafficCross**,一个用于加密流量分类的跨视图多模态信息融合框架。由于加密负载不可直接观测,流量语义必须从多个不完整且异构的证据来源推断。TrafficCross 通过从原始流量流构建视觉、统计和时序视图,学习模态特定证据表示,并通过跨视图……### 实验本节从多模态信息融合的角度评估了TrafficCross。实验旨在回答以下研究问题(RQs):- **RQ1**:TrafficCross 与代表性加密流量分类方法在不同流量分类任务上的性能如何?- **RQ2**:跨视图信息融合是否优于单视图证据表示?不同视图如何对最终预测做出贡献?- **RQ3**:TrafficCross 是否能够……### 讨论与局限性实验结果表明,TrafficCross 在有限可观测性条件下为加密流量分类提供了一个紧凑有效的多模态融合框架。通过整合视觉字节模式证据、统计行为证据和包动力学证据,TrafficCross 在六个公开数据集上实现了具有竞争力的性能。消融结果进一步表明,不同流量视图的相对效用因数据集而异:视觉证据……### 结论与未来工作本文提出了 **TrafficCross**,一个用于加密流量分类的跨视图多模态信息融合框架。由于加密流量中明文负载语义不可用,TrafficCross 利用了三种可观测的流量视图——视觉字节模式、统计行为和时序包动力学证据——通过模态特定模块编码,并通过跨视图注意力集成进行分类。在六个公开加密流量数据集上的实验……### CRediT作者贡献声明**Ming Zuo(左鸣):** 撰写——原始草稿、可视化、软件、方法论、调查、形式分析、数据管理、概念化。**Yanan Cheng(程亚南):** 撰写——审阅与编辑、验证、调查、资金获取、数据管理。**Guoying Sun(孙国英):** 撰写——审阅与编辑、验证、方法论、形式分析。**Zhaoxin Zhang(张昭鑫):** 撰写——审阅与编辑、监督、资源、项目管理。**Xueyang Huo(霍雪洋):** 撰写——审阅与编辑、可视化、监督、方法论……### 利益冲突声明作者声明,他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。**Ming Zuo(左鸣)** 正在哈尔滨工业大学攻读博士学位。他的研究兴趣包括加密流量分析、网络与信息安全以及安全领域的AI。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号