排序方式: 共有1条查询结果,搜索用时 0 毫秒
1
1.
随着网络加密协议的广泛使用,传统的网络流量分类技术面临很大的挑战。目前的方法具有以下局限性:一是模型高度依赖深度特征,这要求有标注训练数据集的规模足够大,否则模型难以在新的数据上进行泛化;二是模型仅专注于流量的一个模态特征,不同类别流量的同一模态的特征区分度可能不够明显。针对这些问题,本文提出了一种基于深度学习的加密流量分类模型Parallel Transformer Net(并行转换网络,PTNet)。该模型基于预训练-微调的半监督思想,充分利用网络中大量无标签流量数据进行预训练,然后在少量有标签数据的基础上进行微调。此外,该模型并行提取了载荷和包长序列两个模态的流量特征,进行多模态的特征融合,并在三种不同的流量分类任务与相应的数据集(Android、USTC-TFC和CSTNET-TLS1.3,均为公开的数据集)上都表现出很好的效果,分类准确率分别达到95%、98%和97%。 相似文献
1