.png){kind=icon}
返回
Boosting Encrypted Traffic Classification Using Feature-Enhanced Recurrent Neural Network With Angle Constraint
.png){kind=icon}
PRE
AI
DOI：10.1109/TBDATA.2024.3484674.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着各类网络流量的激增和加密技术的广泛应用，加密流量分类在保障网络安全、提升服务质量和管理网络流量方面发挥着日益重要的作用。然而，现有方法大多存在过度依赖手工特征提取和专家知识、分类性能不稳定以及缺乏迁移学习能力等问题。为解决这些挑战，本文提出了一种高性能的混合加密流量分类框架FERNN-AC。它直接从原始流量中提取特征，并通过合理集成专门设计的特征增强模块和时间特征提取模块，充分挖掘和利用了流量数据的空间-时间信息。该框架引入了角度约束，能够与元学习结合，从而在提升分类性能的同时具备一定的迁移学习能力。实验在三个数据集上进行，结果表明，与相关基线方法相比，FERNN-AC具有优异且稳定的分类性能。
Keyword:
Angle constraint
encrypted traffic classification
feature enhancement
few-shot learning
LSTM
期刊
I
IF:
5.7
论文数:
892
被引数:
3.0K
机构
引用论文
分享收藏分享收藏FS-IDS: A framework for intrusion detection based on few-shot learningFs-ids: 一种基于少镜头学习的入侵检测框架.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏分享收藏分享收藏分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏
查看更多内容