DenTC: An Expandable Framework for Dynamic Malicious Traffic Classification

Rui Chen

doi:10.1016/j.comnet.2026.112078

DenTC: An Expandable Framework for Dynamic Malicious Traffic Classification

2026-02-03

0

PRE

AI

DOI：10.1016/j.comnet.2026.112078

原文链接

原文求助

摘要

En 中文

恶意流量分类对于网络安全和识别恶意网络活动至关重要。目前，基于深度学习 (DL) 的流量分类技术主要从静态流量数据集中学习特征。然而，网络流量是动态的，不断发展，新的流量类型不断出现。这使得现有的基于DL的静态方法难以满足动态流量分类的需求。一方面，使用新到达的数据对现有的基于DL的模型进行微调会导致灾难性地忘记先前学习的知识; 另一方面，使用所有可用数据重新训练整个模型会引入高度的数据依赖性。为了解决这些问题，我们提出了DenTC，一种用于动态恶意流量分类的新型可扩展框架。DenTC提供了三个关键优势 :( i) 它从动态流量中逐步学习，而无需重新训练整个模型; (ii) 它减轻了对过去知识的灾难性遗忘，实现了准确而稳定的性能; (iii) 它最大程度地减少了数据依赖性，无需存储所有旧数据。与现有方法不同，我们构建了一个可动态扩展的模块，该模块冻结了先前学习的表示形式，同时扩展了新的特征提取器以获取新知识。为了进一步加强对过去知识的保留，从旧课程中选择代表性样本的子集用于后续训练。为了更好地学习新课程的判别特征，我们在新特征提取器中引入了辅助损失函数。此外，我们采用权重对齐来校正偏向新课程的权重。跟踪驱动的实验表明，DenTC在增量学习动态网络流量的同时保持了高且稳定的性能，优于现有方法。

DenTC: An Expandable Framework for Dynamic Malicious Traffic Classification

摘要

期刊

机构

引用论文