TARL: Multi-task adaptive representation learning for secure encrypted traffic analysis

doi:10.1016/j.comnet.2026.112646

TARL: Multi-task adaptive representation learning for secure encrypted traffic analysis

2026-08-01

0

PRE

AI

DOI：10.1016/j.comnet.2026.112646

原文链接

原文求助

摘要

En 中文

加密技术的快速发展使得加密流量分析既日益重要又极具挑战性。入侵检测、应用分类和加密网页指纹识别等任务对网络安全至关重要，但这些任务通常使用单任务模型孤立研究。这种碎片化方法限制了捕获共享行为模式的能力，并损害了跨任务泛化。本文提出TARL，一种新颖的任务自适应表示学习框架，用于安全的加密流量分析。TARL结合了用于任务无关表示学习的共享内存模块和用于下游任务适配的任务特定融合机制。为支持加密约束下的预训练，我们引入两种自监督目标：掩码特征建模和服务类型预测。我们在四个真实世界的加密流量任务上评估了TARL。结果表明，TARL在所有任务上均优于单任务和多任务基线，实现了强大的泛化和任务级准确性。消融研究进一步验证了共享模块和任务特定模块的互补设计。

Keyword:

Encrypted traffic analysis

Multi-task learning

Intrusion detection

Network security

TARL: Multi-task adaptive representation learning for secure encrypted traffic analysis

摘要

期刊

机构

引用论文