Classifying encrypted traffic using quad-directional convolution on pulse sequences

Chenxu Pei

doi:10.1186/s42400-025-00386-1

2025-10-25

Chenxu Pei

Huiying Du

Xuan Sun *

DOI：10.1186/s42400-025-00386-1

原文链接

原文求助

摘要

En 中文

随着用户隐私和通信安全问题的日益关注，加密流量的规模激增，使得加密流量的精确分类变得至关重要。当前主流的分类方法主要依赖手工特征和机器学习技术。然而，这些特征通常依赖于专家知识，并需要大量人力资源。此外，使用简单特征可能导致特征提取不足。为解决这些挑战，我们开发了脉冲驱动四向时序卷积网络（Pulse-Driven Quad-Directional Temporal Convolutional Network）。该模型的核心创新是将一维报文长度序列转换为二维脉冲序列，显著提升了模型的特征表示能力和分类精度。此外，该模型采用正向、反向、中间向外和两端向内四种时序卷积，有效提取全局特征。结合自注意力机制，模型深入探索特征间的依赖关系，大幅提升分类精度和鲁棒性。在公开的CESNET-TLS22数据集上，该方法在五类应用服务的分类中达到99.24%的F1分数，在20类应用分类测试中平均F1分数为98.74%。此外，在UNB ISCX数据集上，对VPN和Tor流量的测试也表现出色，F1分数均超过98%。这些结果突显了该方法在不同应用场景下的精度和有效性。

Keyword:

Encrypted traffic classification

Temporal convolutional network

Self-attention mechanism

Pulse sequences