TAO-Net：面向细粒度加密流量分类的两阶段自适应异常分布分类网络
机器学习
2025-12-19 v1 人工智能
摘要
加密流量分类旨在通过分析网络流量数据来识别应用程序或服务。一个关键挑战是新应用程序不断涌现，导致产生超出分布(OD)流量模式，这些模式偏离已知类别，难以被预定义模型准确表示。当前方法依赖预定义类别，限制了其处理未知流量类型的效果。虽然一些方法通过将未知流量简单地归入单个“其他”类别来缓解这一限制，但未能实现细粒度分类。本文提出了两阶段自适应异常分布分类网络(TAO-Net)，实现了对内部分布(ID)和超出分布(OD)加密流量的准确分类。该方法采用创新的两阶段设计：第一阶段采用混合异常分布检测机制，集成基于变换器的跨层转换平滑性和特征分析，以有效区分ID和OD流量；第二阶段利用大型语言模型，采用新颖的语义增强提示策略，将OD流量分类转化为生成任务，实现无需依赖预定义标签的灵活细粒度分类。在三个数据集上的实验表明，TAO-Net实现了96.81-97.70%的宏观精度和96.77-97.68%的宏观F1分数，优于此前的方法，后者仅达到44.73-86.30%的宏观精度，尤其在识别新兴网络应用方面表现突出。
引用
@article{arxiv.2512.15753,
title = {TAO-Net: Two-stage Adaptive OOD Classification Network for Fine-grained Encrypted Traffic Classification},
author = {Zihao Wang and Wei Peng and Junming Zhang and Jian Li and Wenxin Fang},
journal= {arXiv preprint arXiv:2512.15753},
year = {2025}
}