TFE-GNN: энкодер временного объединения на основе графовых нейронных сетей для детальной классификации зашифрованного трафика

Классификация зашифрованного трафика привлекает широкое внимание исследователей и представителей промышленности. Однако существующие методы, как правило, извлекают только признаки на уровне потоков, что ограничивает их способность обрабатывать короткие потоки из-за ненадежности их статистических характеристик, либо рассматривают заголовки и полезную нагрузку равнозначно, не позволяя выявить потенциальные корреляции между байтами. Поэтому в данной работе предлагается подход к построению графа трафика на уровне байтов на основе точечной взаимной информации (PMI), а также модель под названием энкодер временного объединения на основе графовых нейронных сетей (Temporal Fusion Encoder Using Graph Neural Networks, TFE-GNN) для извлечения признаков. В частности, разработаны двойной слой встраивания, энкодер графа трафика на основе графовой нейронной сети и механизм перекрестного управляемого слияния признаков. Эти компоненты сначала раздельно встраивают байты заголовка и полезной нагрузки, а затем объединяют их для получения более информативного представления признаков. Результаты экспериментов на двух реальных наборах данных показывают, что TFE-GNN превосходит несколько современных методов классификации зашифрованного трафика с высокой степенью детализации.