.png){kind=icon}
返回
Malicious encrypted traffic identification model based on flow space-time features
.png){kind=icon}
OA
AI
DOI：10.1016/j.icte.2026.03.007.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代网络中加密流量的快速激增给安全监控和威胁检测带来了显著挑战。虽然加密增强了隐私性，但也为恶意活动提供了掩护，使传统的深度包检测失效。为解决此问题，本文提出了一种用于恶意加密流量识别的可解释且高效的深度学习框架。我们的模型整合了1D-CNN、BiLSTM和轻量级自注意力机制，以捕捉网络流量的时空特征，并通过注意力可视化提供可解释的预测。与计算密集型的Transformer基方法不同，我们的方法在准确性和效率之间实现了最佳平衡，适用于实际部署。在基准数据集（USTC-TFC2016和CICIDS-2017）上的广泛实验表明，我们的模型在每流0.82毫秒推理时间内实现了高精度，优于现有先进方法，同时为安全分析师提供了决策透明度。所提出的方法不仅提升了检测性能，还提供了操作可解释性，弥合了自动化威胁检测与人机协同安全操作之间的差距。
Keyword:
Deep learning
Network security
Malicious encrypted traffic detection
Convolutional neural network
BiLSTM
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:
4.2
论文数:
1.0K
被引数:
2.5K
机构
暂无机构信息
引用论文
Accurate Encrypted Malicious Traffic Identification via Traffic Interaction Pattern Using Graph Convolutional Network基于图卷积网络的流量交互模式准确加密恶意流量识别
OAAI
OAAI分享收藏Optimizing Feature Selection for Efficient Encrypted Traffic Classification: A Systematic Approach.png)
IEEE NETWORK
IEEE NETWORKIF6.3
PREAI
分享收藏ICLSTM: Encrypted Traffic Service Identification Based on Inception-LSTM Neural NetworkSymmetryOAAI
SymmetryIF0
OAAI分享收藏An identification strategy for unknown attack through the joint learning of space-time features
PREAI
分享收藏
查看更多内容