计算机应用

作者：耿海军, 董赟, 胡治国, 池浩田, 杨静, 尹霞

单位：1.山西大学 自动化与软件学院，太原 030031；2.山西清众科技股份有限公司，太原 030006；3.山西大学 计算机与信息技术学院，太原 030006；4.嵌入式系统与服务计算教育部重点实验室（同济大学），上海 201804；5.清华大学 计算机科学与技术系，北京 100084

关键词：网络安全,加密流量,注意力机制,一维卷积神经网络,数据不平衡,成本敏感矩阵

基金：国家自然科学基金资助项目(62472267);山西省应用基础研究计划项目(20210302123444)

针对传统加密流量识别方法存在多分类准确率低、泛化性不强以及易侵犯隐私等问题，提出一种结合注意力机制（Attention）与一维卷积神经网络（1DCNN）的多分类深度学习模型——Attention-1DCNN-CE。该模型包含3个核心部分：1）数据集预处理阶段，保留原始数据流中数据包间的空间关系，并根据样本分布构建成本敏感矩阵；2）在初步提取加密流量特征的基础上，利用Attention和1DCNN模型深入挖掘并压缩流量的全局与局部特征；3）针对数据不平衡这一挑战，通过结合成本敏感矩阵与交叉熵（CE）损失函数，显著提升少数类别样本的分类精度，进而优化模型的整体性能。实验结果表明，在BOT-IOT和TON-IOT数据集上该模型的整体识别准确率高达97%以上；并且该模型在公共数据集ISCX-VPN和USTC-TFC上表现优异，在不需要预训练的前提下，达到了与ET-BERT（Encrypted Traffic BERT）相近的性能；相较于PERT（Payload Encoding Representation from Transformer），该模型在ISCX-VPN数据集的应用类型检测中的F1分数提升了29.9个百分点。以上验证了该模型的有效性，为加密流量识别和恶意流量检测提供了解决方案。

来源：2025年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第3期