MIETT: трансформер зашифрованного трафика с множественными экземплярами для классификации зашифрованного трафика

MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification
Xu-Yang Chen, Lu Han, De‐Chuan Zhan, Han-Jia Ye
2025-04-11

Контрастное обучение потоков (Flow Contrastive Learning, FCL)Multi-Instance Encrypted Traffic Transformer (MIETT)Предсказание относительной позиции пакета (Packet Relative Position Prediction, PRPP)Двухуровневое внимание (Two-Level Attention, TLA)классификация зашифрованного трафика
Сетевой трафик включает данные, передаваемые по сети, например при просмотре веб-страниц и передаче файлов, и организован в пакеты (небольшие единицы данных) и потоки (последовательности пакетов, которыми обмениваются две конечные точки). Классификация зашифрованного трафика имеет важное значение для обнаружения угроз безопасности и оптимизации управления сетью. Последние достижения продемонстрировали превосходство базовых моделей в этой задаче, особенно благодаря их способности использовать большие объемы неразмеченных данных и обеспечивать высокую обобщающую способность на ранее не встречавшихся данных. Однако существующие методы, сосредоточенные на отношениях между токенами, не способны выявлять более общие закономерности потоков, поскольку токены, определяемые как последовательности шестнадцатеричных цифр, обычно несут ограниченную семантическую информацию в зашифрованном трафике. Эти закономерности потоков, имеющие ключевое значение для классификации трафика, возникают во взаимодействиях между пакетами внутри потока, а не только во внутренней структуре отдельных пакетов. Для устранения этого ограничения мы предлагаем трансформер зашифрованного трафика с множественными экземплярами (Multi-Instance Encrypted Traffic Transformer, MIETT), использующий подход с множественными экземплярами, при котором каждый пакет рассматривается как отдельный экземпляр внутри более крупного набора, представляющего весь поток. Это позволяет модели эффективнее выявлять отношения как на уровне токенов, так и на уровне пакетов посредством слоев двухуровневого внимания (Two-Level Attention, TLA), повышая ее способность изучать сложную динамику пакетов и закономерности потоков. Для дальнейшего улучшения понимания моделью временной динамики и динамики, специфичной для потоков, мы вводим две новые задачи предварительного обучения: предсказание относительной позиции пакета (Packet Relative Position Prediction, PRPP) и контрастивное обучение потоков (Flow Contrastive Learning, FCL). После дообучения MIETT демонстрирует передовые результаты (state-of-the-art, SOTA) на пяти наборах данных, подтверждая его эффективность в классификации зашифрованного трафика и понимании сложного поведения сетей.
1
После дообучения MIETT достигает передовых (SOTA) результатов на пяти наборах данных для классификации зашифрованного трафика.
2
Введены слои внимания двух уровней (TLA) для моделирования взаимодействий как на уровне токенов, так и на уровне пакетов, что улучшает изучение сложной динамики пакетов и паттернов потоков.
3
Введены две новые предобучающие задачи — прогноз относительной позиции пакета (PRPP) и контрастивное обучение потоков (FCL) — для улучшения временных и специфичных для потока представлений.
4
Предложен MIETT — трансформер для зашифрованного трафика с мультиинстансным подходом, где каждый пакет рассматривается как экземпляр в «мешке» потока для захвата отношений на уровне пакетов и потоков.

Зашифрованные сетевые потоки (моделируемые как наборы пакетов для обучения по нескольким экземплярам)

Классификация зашифрованного трафика через обучение отношениям на уровне токенов и пакетов и паттернам потоков с помощью трансформера MIETT с двухуровневым вниманием и предобучающими задачами (Packet Relative Position Prediction и Flow Contrastive Learning)

Publication Details
Publication Date
2025-04-11
Journal
Publisher
ISSN
Cited by
27
Access Type
Author Information
Authors
Xu-Yang Chen
Lu Han
De‐Chuan Zhan
Han-Jia Ye
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%