TFE-GNN：一种基于图神经网络的时间融合编码器用于细粒度加密流量分类
机器学习
2023-08-01 v1 人工智能
摘要
加密流量分类正受到研究人员与工业企业的广泛关注。然而，现有方法仅提取流级特征，因统计特性不可靠而无法处理短流，或平等对待头部与载荷，未能挖掘字节间的潜在关联。因此，本文提出一种基于点互信息(PMI)的字节级流量图构建方法，以及一种名为基于图神经网络的时间融合编码器(TFE-GNN)的模型用于特征提取。具体而言，我们设计了双嵌入层、基于 GNN 的流量图编码器以及交叉门控特征融合机制，可先将头部与载荷字节分别嵌入再融合以获得更强的特征表示。在两个真实数据集上的实验结果表明，TFE-GNN 在细粒度加密流量分类任务中优于多种 SOTA 方法。
引用
@article{arxiv.2307.16713,
title = {TFE-GNN: A Temporal Fusion Encoder Using Graph Neural Networks for Fine-grained Encrypted Traffic Classification},
author = {Haozhen Zhang and Le Yu and Xi Xiao and Qing Li and Francesco Mercaldo and Xiapu Luo and Qixu Liu},
journal= {arXiv preprint arXiv:2307.16713},
year = {2023}
}
备注
Accepted by The Web Conference 2023 (WWW'23). The code will be available with our incoming future work