.png){kind=icon}
返回
DQSA: Dynamic Quantized Self-Attention for Multi-Task Encrypted Network Traffic Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2025.3647211.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络流量分类对于网络安全和管理都至关重要。尽管基于深度学习的多任务流量分类取得了进展，但现有模型在同时处理多个任务并提供可解释性见解方面往往面临挑战。在多任务场景中，不同任务依赖流量序列的不同区域，这促使采用动态且可解释的注意力机制。为此，我们提出了动态量化自注意力（DQSA），一个专为多任务网络流量分类设计的统一框架。其核心是任务门控注意力路由器（TGAR），它将注意力头动态关联到不同任务，实现针对任务特定模式的自适应聚焦。该机制提供可解释的注意力分数，有助于分析误分类并指导模型进一步优化。为提高效率并处理多样化的网络流量特征，我们引入了软量化自注意力头（SQ-SAH）以降低计算复杂度，并将旋转位置嵌入（RoPE）扩展以适应这些特征。在ISCX VPN-nonVPN和DCI-LTE数据集上的广泛实验表明，DQSA持续优于现有先进基线方法，在ISCX VPN-nonVPN的封装层任务上达到92.85%的准确率，在DCI-LTE的应用层任务上达到93.17%的准确率，比最强现有方法高出最多2.65%，同时为高效多任务网络流量分类提供可解释的任务特定注意力。
Keyword:
Traffic classification
self-attention mechanism
multi-task learning
interpretability
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
A Network Traffic Classification Method Based on Dual-Mode Feature Extraction and Hybrid Neural Networks一种基于双模特征提取和混合神经网络的网络流量分类方法
.png){kind=icon}
PREAI
分享收藏分享收藏分享收藏分享收藏
分享收藏Interpretability Framework of Network Security Traffic Classification Based on Machine Learning
PREAI
分享收藏
查看更多内容