计算机应用

作者：陈瑞龙, 伊鹏, 胡涛, 卜佑军

单位：1.信息工程大学 信息技术研究所，郑州 450000；2.网络空间安全教育部重点实验室（信息工程大学），郑州 450000

关键词：加密流量,网络流量分类,联邦学习,增量学习,深度学习

基金：国家自然科学基金资助项目(62176264)

深度学习目前已经广泛应用于加密流量分类，然而它仍面临诸多挑战，例如用户数据隐私保护和持续学习能力等。针对上述问题，提出一种基于联邦类原型增量的加密流量分类方法（FPI-ETC）。在客户端本地模型训练阶段，将本地模型的Softmax分类器替换为原型分类器，以解决Softmax分类器造成的预测偏见问题。在新任务阶段，客户端利用旧类原型向量生成多个旧类范例，以避免本地模型遗忘过去的知识；服务器端加权聚合客户端上传的类原型向量，以实现类原型的迭代更新。实验结果表明，在客户端任务量为5且采样率为0.6时，FPI-ETC在ISCX VPN-nonVPN数据集上的最终全局精度相较于现有方法提升了9.93~33.45个百分点，在USTC-TFC2016数据集上的最终全局精度相较于现有方法提升了5.06~10.92个百分点，验证了FPI-ETC在动态更新的加密网络环境中能有效解决灾难性遗忘问题。

来源：2025年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第12期