随着互联网技术的发展,对加密流量进行高效分类成为网络管理的重要手段,但现有的分类技术对加密流量的特征提取不充分,且仅关注单一的局部特征或全局特征而忽略了两者之间的有效融合,导致分类准确率较低。针对上述问题,提出了一种融合局...随着互联网技术的发展,对加密流量进行高效分类成为网络管理的重要手段,但现有的分类技术对加密流量的特征提取不充分,且仅关注单一的局部特征或全局特征而忽略了两者之间的有效融合,导致分类准确率较低。针对上述问题,提出了一种融合局部-全局特征的加密流量分类模型(local-global fusion model for encrypted traffic classification,LGF-ETC)。为解决特征提取不充分的问题,设计了特征增强模块(feature enhancement module,FEM),用于增强加密流量特征,以便在后续模型中对特征进行充分捕获;针对局部与全局特征的融合问题,从Swin Transformer网络中提取核心模块用于捕获全局特征,并设计了多尺度局部感知模块(multi-scale local perception module,MSLPM),将其嵌入Swin Transformer核心模块中,以捕获多尺度局部特征,进一步将两特征进行充分融合。实验结果表明,本文LGF-ETC模型的分类准确率达到98.87%,显著改善了现有模型在特征提取和特征融合方面的不足。展开更多
文摘随着互联网技术的发展,对加密流量进行高效分类成为网络管理的重要手段,但现有的分类技术对加密流量的特征提取不充分,且仅关注单一的局部特征或全局特征而忽略了两者之间的有效融合,导致分类准确率较低。针对上述问题,提出了一种融合局部-全局特征的加密流量分类模型(local-global fusion model for encrypted traffic classification,LGF-ETC)。为解决特征提取不充分的问题,设计了特征增强模块(feature enhancement module,FEM),用于增强加密流量特征,以便在后续模型中对特征进行充分捕获;针对局部与全局特征的融合问题,从Swin Transformer网络中提取核心模块用于捕获全局特征,并设计了多尺度局部感知模块(multi-scale local perception module,MSLPM),将其嵌入Swin Transformer核心模块中,以捕获多尺度局部特征,进一步将两特征进行充分融合。实验结果表明,本文LGF-ETC模型的分类准确率达到98.87%,显著改善了现有模型在特征提取和特征融合方面的不足。
