.png){kind=icon}
返回
GraphMux: A graph-based framework for encrypted traffic classification
.png){kind=icon}
OA
AI
DOI：10.1016/j.comnet.2026.112370.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
加密网络流量的日益主导地位以及现代加密协议（TLS 1.3、QUIC、DoH）给网络分类的准确性带来了显著挑战，尤其是在许多现有方法依赖文本或图像表示时，无法充分捕捉网络通信中固有的结构关系——这些关系更自然地表现为图结构。本文中，我们引入GraphMux这一基于图的框架，利用线图变换将多个图视图融合为统一表示。我们还提出了三种基于图的流表示方法（TIG+Chain、StarBurst和2Chain），旨在捕捉时序突发动态和客户端-服务器交互模式，仅使用数据包的时间、方向和长度信息，而无需引入任何未加密的统计特征。
Keyword:
Encrypted traffic classification
Graph neural network
GraphMux
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.6
论文数:
1.6K
被引数:
1.6W
机构
引用论文
Flow persona: A QoS Flow Rule Scheme based on Deep Learning in SDN-IoT流人格：一种基于深度学习的SDN-IoT服务质量流规则方案.png)
Computer Networks
Computer NetworksIF4.6
PREAI
分享收藏Tree-RNN: Tree structural recurrent neural network for network traffic classificationTree-rnn: 用于网络流量分类的树结构递归神经网络
PREAI
分享收藏BiRNN-SA: Context-aware malicious network traffic detection using self-attentive bidirectional RNNsBiRNN-SA：基于自注意力双向循环神经网络的上下文感知恶意网络流量检测Computer Networks
Computer NetworksIF4.6
PREAI
分享收藏分享收藏Automatic Mobile App Identification From Encrypted Traffic With Hybrid Neural NetworksIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏DGNN: Decoupled Graph Neural Networks With Structural Consistency Between Attribute and Graph Embedding RepresentationsDGNN：属性与图嵌入表示之间具有结构一致性的解耦图神经网络
PREAI
分享收藏
查看更多内容