PMP-Net:一种用于少样本和开放集加密流量分类的包级多分支原型网络

《Computer Networks》:PMP-Net: A packet-level multi-branch prototype network for few-shot and open-set encrypted traffic classification

【字体: 大 中 小 】 时间:2026年09月30日 来源:Computer Networks 4.7

编辑推荐:

   提出PMP-Net,一种用于少样本和开集加密流量分类的包级多分支原型网络。设计了针对报头和载荷的双分支特征建模策略,以增强少样本条件下的表征能力。引入了基于原型的分类方法,并结合相似度阈值拒绝机制,以高效排除未知流量。在ISCX和USTC数据集上进行验证,实现了高准确率、鲁棒

  提出PMP-Net,一种用于少样本和开集加密流量分类的包级多分支原型网络。设计了针对报头和载荷的双分支特征建模策略,以增强少样本条件下的表征能力。引入了基于原型的分类方法,并结合相似度阈值拒绝机制,以高效排除未知流量。在ISCX和USTC数据集上进行验证,实现了高准确率、鲁棒的未知流量拒绝和毫秒级推理。引言随着互联网的全球快速扩张以及5G和即将到来的6G技术的加速部署,网络总流量正以指数级增长。最新统计数据显示,目前全球超过90%的互联网数据传输依赖于TLS 1.3和HTTPS等加密协议。尽管这些协议极大地增强了数据通信的隐私性和安全性,但它们也给网络流量分类带来了重大挑战[1]。网络流量分类是支持网络安全、服务质量管理和异常检测的基础技术。它在入侵检测、内容过滤和流量调度中发挥着关键作用,同时还能够识别新兴威胁并确保关键网络基础设施的可靠运行[2]。然而,网络应用的快速演进和加密流量的日益主导,使得传统的网络流量分类方法——尤其是包级分类——在加密条件下日益失效。在本研究中,流量分类被形式化为在加密和开集条件下对应用或服务流量类别的包级识别。具体来说,PMP-Net以单个数据包作为基本分类单元,而目标标签对应于数据集中定义的与其源应用或服务相关的流量类别,而非传输层协议变体、TCP行为类别或面向服务质量分组的。研究人员已经广泛研究了网络流量分类,采用了多种方法,包括基于端口和深度包检测方法、基于统计特征的技术以及基于深度学习的模型[3]。基于端口和深度包检测的方法匹配IANA注册的端口号以及签名库中存储的协议字段信息。然而,这些方法在处理动态端口或加密载荷时不可靠,同时还引发了潜在的隐私问题[4]。基于统计特征的方法利用数据包长度分布、到达间隔时间和流持续时间等属性的变化来提取应用之间的区分特征。虽然这些方法计算效率高,但通常表现出有限的区分能力,而且对人工设计特征的依赖降低了适应性和泛化能力。深度学习的最新进展通过从大量标注流量数据中自动学习显著特征,显著提高了分类准确率[5]。尽管如此,基于深度学习的网络流量分类——尤其是细粒度的包级分类——在实际部署中仍面临重大挑战[6]。值得注意的是,虽然HTTP和HTTPS等主流协议主导了网络流量,但应用特定协议仍然对业务运营至关重要,并且可能被用作攻击向量。加密的广泛使用进一步模糊了特征提取,使数据收集复杂化,并限制了对代表性训练样本的访问。在实践中,训练数据有限的场景变得越来越普遍,增加了过拟合的可能性并降低了模型泛化能力。此外,大多数深度学习模型假设闭集分类场景,其中所有测试样本都属于训练期间观察到的类别。当出现之前未见过的应用或服务类别流量时,这一假设就会失效,通常导致被错误分类到最接近的已知类别。此类错误不仅降低准确率,还可能掩盖潜在的安全威胁。提高对未知类别的识别通常需要使用完整数据集从头重新训练模型,这带来了巨大的计算和存储需求。这一过程延长了维护和部署周期,并且与现代网络环境的高吞吐量、低延迟要求不相匹配。为了解决上述挑战,本研究引入了PMP-Net,一种用于少样本和开集加密流量分类的包级多分支原型网络。所提出的方法利用了包报头和载荷在功能和结构上存在显著的异质性,采用双分支特征建模策略来增强少样本条件下的表征准确率。在报头分支中,离散字节序列通过字节嵌入和位置编码映射到连续特征空间。然后,利用多尺度深度可分离卷积,结合轻量级残差块和注意力机制,来捕获字节结构内的局部和全局依赖关系。在载荷分支中,载荷被转换为256维字节直方图,以表示全局字节级统计模式。然后应用基于快速傅里叶变换的频率域变换,随后通过轻量级多层感知机获得紧凑的载荷表示。在双分支建模之后,跨模态双向多头注意力融合模块促进分支之间的有效交互和互补,从而增强细粒度的区分能力。在分类阶段,引入了基于原型网络的分类器,并结合相似度阈值拒绝机制,以高效检测未知类别。当新类别出现时,只需更新类别原型,无需重新训练骨干网络。这种设计确保了其对动态网络环境的适应性,并支持快速部署。本研究的主要贡献总结如下:PMP-Net:一种用于少样本和开集加密流量分类的包级多分支原型网络,在加密条件下实现了已知类别识别的高准确率和未知类别的鲁棒拒绝,并具有实时性能。双分支包级特征建模:利用报头和载荷之间的异质性来提高少样本场景下的表征准确率。结合相似度阈值拒绝的原型网络:支持在少样本条件下的准确分类,同时能够在推理期间高效过滤未知类别。实证验证:在真实加密流量数据集ISCX和USTC-TFC2016上的实验证明了其高分类准确率、强未知类别拒绝能力和毫秒级推理延迟。本文的结构如下:第2节回顾相关工作。第3节详细描述所提出的方法和算法。第4节报告实验结果,并通过与现有算法的比较分析来评估该方法。第5节讨论该方法的局限性并提供结论性评论。各节摘要基于端口号和深度包检测的方法网络流量分类技术已从基于规则的静态匹配发展到多维特征分析,最近又发展到基于深度学习的模型。早期方法主要依赖于端口号和深度包检测。基于端口的方法利用IANA注册的端口号与应用层协议之间的一对一映射——例如,HTTP通常使用端口80,而FTP使用端口21——从而实现相对简单且快速的流量识别。然而,随着...整体框架本文介绍了PMP-Net,一种用于少样本和开集加密流量分类的包级多分支原型网络。目标是以最少的标注数据实现高精度的网络流量分类,同时保留对之前未见过的流量类别的鲁棒检测能力。如图1所示,所提出的架构包含四个主要组件:包级数据编码、双分支特征建模、跨模态特征融合和基于原型的开集...实验本节描述数据集、实验设置和评估指标,然后通过一系列实验评估PMP-Net的有效性。结论本研究提出了PMP-Net,一种用于少样本和开集加密流量分类的包级多分支原型网络。通过分别建模包报头和载荷,集成跨模态双向注意力,并结合余弦边距原型学习和相似度阈值拒绝,PMP-Net实现了准确的已知类别识别和有效的未知类别检测。在ISCX VPN-nonVPN和USTC-TFC2016数据集上的实验证实了其强大的...CRediT作者贡献声明杨宏秀:写作 – 审阅与编辑,写作 – 初稿撰写,可视化,验证,软件,资源,项目管理,方法论,调查,形式化分析,数据整理,概念化。任子何:写作 – 审阅与编辑,写作 – 初稿撰写。杜泽华:写作 – 审阅与编辑,写作 – 初稿撰写,概念化。杨星海:写作 – 审阅与编辑,写作 – 初稿撰写。江凯翔:写作 – 审阅与编辑,写作 – 初稿撰写...资金支持本工作得到了国家自然科学基金的资助,项目编号:62471272,U24A20215,和62501344。利益冲突声明作者声明他们不存在可能影响本文报道工作的已知竞争性财务利益或个人关系。致谢作者衷心感谢中国山东省深海设备智能网络重点实验室以及青岛科技大学信息科学与工程学院对本工作的支持。杨宏秀 | 任子何 | 杜泽华 | 杨星海 | 江凯翔
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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