M3S-UPD：面向未知模式发现的细粒度加密流量分类的高效多阶段自监督学习
密码学与安全
2025-05-28 v1
摘要
加密网络流量的日益复杂性给现代网络管理带来了双重挑战：对已知应用的准确多类分类和对未知流量模式的可靠检测。尽管深度学习模型在受控环境中展现出潜力，但其在现实世界中的部署受到数据稀缺、概念漂移和操作约束的阻碍。本文提出 M3S-UPD，一种新颖的多阶段自监督未知感知数据包检测框架，将半监督学习与表示分析协同集成。该方法通过四阶段迭代过程消除了分类与检测任务之间的人为隔离：1）概率嵌入生成，2）基于聚类的结构发现，3）分布对齐的离群点识别，以及 4）置信度感知的模型更新。关键创新包括一种既不需要合成样本也不需要先验知识的自监督未知检测机制，以及一种抗性能退化的持续学习架构。实验结果表明，M3S-UPD不仅在少样本加密流量分类任务上优于现有方法，同时在零样本未知流量发现任务上也取得了具有竞争力的性能。
引用
@article{arxiv.2505.21462,
title = {M3S-UPD: Efficient Multi-Stage Self-Supervised Learning for Fine-Grained Encrypted Traffic Classification with Unknown Pattern Discovery},
author = {Yali Yuan and Yu Huang and Xingjian Zeng and Hantao Mei and Guang Cheng},
journal= {arXiv preprint arXiv:2505.21462},
year = {2025}
}