使用监督脉冲神经网络进行加密互联网流量分类

互联网流量识别是接入提供商的重要工具，因为识别与网络上传输的不同数据包相关的流量类别有助于他们定义适应的优先级。这意味着，例如，音频会议的高优先级要求以及文件传输的低优先级要求，以提升用户体验。随着互联网流量日益加密，主流经典流量识别技术——有效载荷检测——变得无效。本文使用机器学习技术进行加密流量分类，仅关注数据包大小与到达时间。脉冲神经网络（SNN）深受生物神经元运作方式启发，因其两个原因而被使用。首先，它们能够识别与时间相关的数据包特征。其次，它们可以在神经形态硬件上以低能耗高效实现。此处我们使用了一种非常简单的前馈 SNN，仅有一个全连接隐藏层，并使用称为替代梯度学习（Surrogate Gradient Learning）的新引入方法以监督方式训练。令人惊讶的是，如此简单的 SNN 在 ISCX 数据集上达到了 95.9% 的准确率，优于先前的方法。除了更好的准确率外，在简洁性上也有非常显著的改进：输入大小、神经元数量、可训练参数均减少了一到四个数量级。接下来，我们分析了这一良好准确率的原因。结果表明，除了空间（即数据包大小）特征外，SNN 还利用了时间特征，主要是具有特定大小的包在近乎同步（200ms 范围内）的到达时间。综上，这些结果表明 SNN 非常适合于加密互联网流量分类：它们可以比传统人工神经网络（ANN）更准确，并且可以在低功耗嵌入式系统上高效实现。