Encrypted Network Traffic Classification Using Generative and Contrastive Self-Supervised Learning

doi:10.1109/ton.2026.3737411

Encrypted Network Traffic Classification Using Generative and Contrastive Self-Supervised Learning

2026-09-24

0

PRE

AI

DOI：10.1109/ton.2026.3737411

原文链接

原文求助

摘要

En 中文

网络流量分类对于各种应用至关重要，涵盖网络配置、恶意软件检测和资源管理。在当代网络中，加密协议的普遍性对现有分类技术提出了挑战。深度学习在加密流量分类中显示出有前景的结果；然而，其对大量标注数据的依赖限制了其在标注数据稀缺的现实场景中的有效性。本文探索了自监督学习，特别是生成式和对比式学习，作为应对这一挑战的解决方案。虽然自监督学习在计算机视觉和自然语言处理中已得到充分发展，但其应用于网络流量等序列数据仍处于探索阶段。本文利用两种自监督方法，生成式和对比式，以在最小化标注数据的情况下实现高精度的加密网络流量分类。在四个公开可用数据集上的评估表明，所提出的自监督方法在准确率方面分别比相应的监督基线、现有的自监督方法和两种最新的少样本学习方法高出约3%、11%和17%。此外，所提出的方法展示了可迁移性，表明能够将学到的知识应用于训练期间未见的不同数据集。本文推动了自监督学习在网络流量分类领域的理解和应用，为标注数据有限的情况提供了可行的解决方案。

Keyword:

Self-supervised learning

network traffic classification

encrypted traffic

Encrypted Network Traffic Classification Using Generative and Contrastive Self-Supervised Learning

摘要

期刊

机构

引用论文