.png){kind=icon}
返回
SimSeq: A Robust TLS Traffic Classification Method
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-08124-7_4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着TLS等加密协议的部署日益增多，传统的深度包检测技术已变得无效，给流量分类带来了挑战。本文提出SimSeq，一种仅依赖报文长度序列的鲁棒TLS流量分类方法。为模拟真实网络条件，我们设计了两种扰动场景，模拟快速重传和超时重传行为。每个场景配置多种丢包率，低速率代表轻度拥塞，高值反映更拥塞的网络条件。我们利用可靠传输逻辑生成报文序列的扰动视图，并借助对比学习框架学习鲁棒且具有区分性的表示。编码器由BiLSTM和注意力池化模块组成，采用SimCLR风格的对比损失进行预训练，随后使用场景特定的分类头进行微调。在CESNET-TLS22数据集上的实验结果表明，SimSeq在两种场景下均表现出强且稳定的性能，F1分数平均值分别为0.88和0.93。
Keyword:
TLS traffic classification
Contrastive learning
Packet length sequence
BiLSTM
Robust representation
期刊
I
IF:
0
论文数:
26
被引数:
0
机构
引用论文
.png){kind=icon}
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TimeCLR: A self-supervised contrastive learning framework for univariate time series representationTimeCLR: 一种用于单变量时间序列表示的自监督对比学习框架
PREAI
分享收藏分享收藏A Survey on TLS-Encrypted Malware Network Traffic Analysis Applicable to Security Operations Centers
OAAI
OAAI分享收藏Distributionally Robust Federated Learning for Network Traffic Classification With Noisy Labels具有噪声标签的网络流量分类的分布式鲁棒联邦学习
PREAI
分享收藏
查看更多内容