少即是多：利用RFC简化网络流量分类

加密技术的快速增长在显著增强隐私和安全性的同时，也给网络流量分类带来了挑战。近期的方法通过将网络流量转换为文本或图像格式，以利用最初为自然语言处理和计算机视觉设计的深度学习模型来应对这些挑战。然而，这些转换常常与网络协议规范相矛盾，引入噪声特征，并导致资源密集型处理。为克服这些局限性，我们提出了NetMatrix，这是一种极简的网络流量表格表示法，它利用RFC（征求意见稿）定义，消除噪声属性并专注于有意义的特征。通过将NetMatrix与一个基础的XGBoost分类器相结合，我们实现了一种轻量级方法LiM（“少即是多”），其分类性能可与ET-BERT和YaTC等最先进的方法相媲美。与选定的基线相比，实验评估表明，LiM将资源消耗降低了数个数量级。总体而言，本研究强调了在流量表示和机器学习模型选择中追求简洁的有效性，为资源高效的网络流量分类铺平了道路。