.png){kind=icon}
返回
Enhancing encrypted HTTPS traffic classification based on stacked deep ensembles models
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-21261-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
加密HTTPS流量的分类是网络管理和安全中的一个关键任务，由于加密和流量模式的演变，传统的基于端口或载荷的方法效果不佳。本研究采用公开的Kaggle数据集（145,671个流，88个特征，六种流量类别：Download、Live Video、Music、Player、Upload、Website）应对该挑战。开发了一个自动化的预处理流程，用于检测标签列、归一化类别、执行分层70/15/15划分训练集、验证集和测试集，并应用失衡感知加权。基准测试了多种深度学习架构，包括DNN、CNN、RNN、LSTM和GRU，以捕捉流量特征的不同时空模式。实验结果表明，CNN在单模型中表现最佳（Accuracy 0.9934，F1_macro 0.9912，ROC-AUC_macro 0.9999）。为进一步提升鲁棒性，基于多项逻辑回归的堆叠集成元学习器在模型输出上进行训练，达到当前最佳性能，Accuracy为0.9949，Precision_macro为0.9923，Recall_macro为0.9941，F1_macro为0.9932，ROC-AUC_macro为0.9998。该框架还输出混淆矩阵、ROC曲线和学习曲线以增强可解释性。为确保证可重复性和实用性，完整代码库已在GitHub上公开，为研究者和从业者提供一个可用于加密流量分析的部署就绪流程，其中集成学习优于单个模型。
Keyword:
HTTPS traffic classification
Encrypted traffic
Network security
Network traffic classification
Deep learning
Ensemble learning
Cyber security
CNN
DNN
期刊
IF:
3.9
论文数:
28.0W
被引数:
83.5W
机构
引用论文
Deep learning for encrypted traffic classification in the face of data drift: An empirical study加密流量分类中的深度学习研究：数据漂移背景下的实证分析
PREAI
分享收藏DDoS classification of network traffic in software defined networking SDN using a hybrid convolutional and gated recurrent neural network基于软件定义网络(SDN)的DDoS网络流量分类，采用混合卷积和门控循环神经网络.png)
Scientific ReportsOAAI
Scientific ReportsIF3.9
OAAI分享收藏Hierarchical Perception for Encrypted Traffic Classification via Class Incremental Learning通过类增量学习实现加密流量分类的分层感知COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Unveiling traffic paths: Explainable path signature feature-based encrypted traffic classification揭示流量路径：基于可解释路径签名特征的加密流量分类COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏Combine intra- and inter-flow: A multimodal encrypted traffic classification model driven by diverse features结合流内与流间信息：一种由多样化特征驱动的多模态加密流量分类模型
IF0
PREAI
分享收藏ATVITSC: A Novel Encrypted Traffic Classification Method Based on Deep LearningATVITSC: 一种基于深度学习的加密流量分类方法
PREAI
分享收藏
查看更多内容