FlowXpert：面向物联网网络流量检测的上下文感知流嵌入
密码学与安全
2025-09-26 v1
摘要
在物联网 (IoT) 环境中，大量设备的持续交互会生成复杂且动态的网络流量，这对基于规则的检测方法构成重大挑战。机器学习 (ML) 基于流量检测技术能够识别流量中的异常模式和潜在威胁，是确保网络安全的关键组件。本研究首先识别出广泛采用的特征提取工具（如 CICMeterFlow）的一个显著问题：大量使用与时间和长度相关的特征导致稀疏性，严重影响模型收敛。此外，现有的流量检测方法通常缺乏一种能够高效且全面捕获网络流量语义特征的嵌入机制。为此，我们提出一种新型特征提取工具，取代传统的时间和长度特征，采用与源主机相关的上下文感知语义特征，以提高模型的通用性。此外，我们设计一种嵌入训练框架，将无监督的 DBSCAN 聚类算法与对比学习策略相结合，以有效捕获流量的细粒度语义表征。我们在真实世界的 Mawi 数据集上进行大量实证评估，以验证所提出方法在检测准确率、鲁棒性和泛化性方面的优势。与几种最新 (SOTA) 模型的对比实验表明，我们的方法性能卓越。此外，我们确认其在实际场景中的可部署性。
引用
@article{arxiv.2509.20861,
title = {FlowXpert: Context-Aware Flow Embedding for Enhanced Traffic Detection in IoT Network},
author = {Chao Zha and Haolin Pan and Bing Bai and Jiangxing Wu and Ruyun Zhang},
journal= {arXiv preprint arXiv:2509.20861},
year = {2025}
}