.png){kind=icon}
返回
Explainable federated class incremental learning for Encrypted Network Traffic classification
.png){kind=icon}
OA
AI
DOI：10.1016/j.comnet.2025.111448.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，网络流量经历了显著增长，这要求采用更先进的技术进行有效管理。在此背景下，流量分类（TC）通过识别网络中传输的内容，有助于成功管理网络。如今，数据驱动的方法——即机器学习（ML）和深度学习（DL）——被广泛用于解决这一任务。然而，由于新服务/应用的引入或更新，这些方法难以跟上流量的不断变化特性，并且其决策过程不可解释。此外，网络流量可能因地理区域而异，需要采用去中心化的隐私保护方法协同更新分类器。在本工作中，我们提出了一种联邦类增量学习（FCIL）框架，该框架在网络TC中整合了类增量学习（CIL）和联邦学习（FL），并融入了全面的可解释人工智能（XAI）方法，分别应对更新流量分类器、管理流量地理多样性及数据隐私、解释决策过程的挑战。为评估我们的提案，我们利用了两个公开的加密网络流量数据集。研究发现，在小规模网络中，较少的同步有助于保留旧知识，而大规模网络则显示出依赖具体方法的模式，但仍表现出良好的保留性能。此外，在小型和大型网络中，频繁更新均能增强新信息的吸收。值得注意的是，BiC+是在小型网络（即2个客户端）中最有效的方法，而iCaRL+在大型网络（即10个客户端）中表现最佳，在CESNET-TLS22数据集上分别获得82%和79%的F1分数。借助XAI技术，我们分析了引入客户端特定偏差校正层的影响。通过整合基于样本和基于归因的解释，我们为FCIL方法的决策过程提供了详细见解。
Keyword:
Class Incremental Learning
Encrypted Network Traffic
eXplainable AI
Federated Learning
Network Traffic Classification
期刊
IF:
4.6
论文数:
1.8K
被引数:
1.6W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏A Survey on Explainable Artificial Intelligence for Internet Traffic Classification and Prediction, and Intrusion Detection可解释人工智能在互联网流量分类与预测、入侵检测中的应用综述
OAAI
OAAI分享收藏FedPacket: A Federated Learning Approach to Mobile Packet ClassificationFedPacket: 移动数据包分类的联邦学习方法
PREAI
分享收藏
查看更多内容