一训双任务：一种基于监督对比学习的加密流量分类框架
机器学习
2024-02-13 v1 人工智能
摘要
随着网络安全受到广泛关注，加密流量分类已成为当前的研究焦点。然而，现有方法在进行流量分类时未充分考虑数据样本间的共性特征，导致性能次优。此外，它们独立训练包级和流级分类任务，这是冗余的，因为包级任务中学习到的包表示可以被流级任务利用。因此，本文提出了一种名为对比学习增强时序融合编码器（CLE-TFE）的有效模型。具体而言，我们利用监督对比学习来增强包级和流级表示，并对字节级流量图进行图数据增强，以便通过对比学习捕捉字节间细粒度的语义不变特征。我们还提出了跨层级多任务学习，在同一模型中通过一次训练同时完成包级和流级分类任务。进一步的实验表明，CLE-TFE 在这两项任务上均取得了最佳整体性能，而其计算开销（即浮点运算次数，FLOPs）仅为预训练模型（如 ET-BERT）的约 1/14。代码已发布于 https://github.com/ViktorAxelsen/CLE-TFE
引用
@article{arxiv.2402.07501,
title = {One Train for Two Tasks: An Encrypted Traffic Classification Framework Using Supervised Contrastive Learning},
author = {Haozhen Zhang and Xi Xiao and Le Yu and Qing Li and Zhen Ling and Ye Zhang},
journal= {arXiv preprint arXiv:2402.07501},
year = {2024}
}
备注
The code is available at https://github.com/ViktorAxelsen/CLE-TFE