加密流量1D-CNN分类实践

代码已经推送开源至露露云的github，如果能帮助你，就给鼠鼠点一个star吧！！！

提出了一种新的基于自注意力机制深度学习方法DarknetSec，用于暗网流量分类和应用识别；利用一维卷积神经网络(1D CNN)和双向长短期记忆网络(Bi- LSTM)从报文的有效载荷内容中捕获局部时空特征，集成自注意机制。此外，DarknetSec从有效载荷统计数据中提取侧通道特征，以增强其分类性能。为什么对侧通道特征提取用MLP，对内容特征提取用attention+CNN+LSTM？可不可以做

构造了一个k -最近邻(KNN)交通图来表示交通数据的结构，从流量结构和流量数据中学习特征表示，利用两层图卷积网络(GCN)架构进行流特征提取和加密流分类。进一步使用自动编码器学习流数据本身的表示，并将其集成到gcn学习的表示中，利用了GCN和自编码器的优点，在只需要少量标记数据的情况下就能获得较高的分类性能。Representation Delivery的创新，感觉这方面没有做相应的消融实验说不

本文提出了一种新的带路径签名的加密流分类方法——ETC-PS。首先用会话数据包长度序列构造流量路径来表示客户端和服务器之间的交互。然后进行路径变换，展示其结构，获得不同的信息。最后计算出多尺度路径特征作为一种显著特征来训练传统的机器学习分类器，实现了高鲁棒精度和低训练开销。参考[Path Signature笔记 - 知乎 (zhihu.com)](Path Signature笔记 - 知乎 (zh

现在大部分对于小样本学习的方法都是基于度量(metric learning)解决，但是这些方法只考虑到了流量的局部信息，故对最终的分类性能有一定影响本文提出的GP-Net，考虑负载序列的两个字节之间的关系，利用字节之中的关系聚合流量输入的全局信息少样本学习是元学习的在监督学习领域的应用，可以参考[link](Few-shot learning（少样本学习）入门 - 知乎 (zhihu.com))过

网络数据的不平衡性模型对真实数据的泛化能力模型对数据大小的过度依赖。加密技术虽然保护了互联网用户的自由、隐私和匿名性，但也用户避开了防火墙的检测，绕过了监控系统。攻击者通过加密恶意软件流量来匿名入侵和攻击系统。犯罪分子使用隐私增强工具(例如Tor)穿透黑暗网络，在那里他们可以购买毒品、武器和伪造的文件(如护照、驾照、提供合同杀手的媒体)来吸引客户.

该项目是与的一个统一实现，力求使用清晰的项目结构与最少的代码实现预设功能，目前支持的模型只有1dcnnapp-net两种，后续会进行更新。代码已经开源至，如果能帮助你，就。

文章利用了流中与时间相关和与大小相关的特性，将基本流量数据转换为直观的图片FlowPic，然后使用已知的图像分类深度学习技术cnn来识别流量类别(浏览、聊天、视频等)和正在使用的应用程序。但是不是使用负载数据形成的特征图。对于每个流，我们的方法根据数据包大小和数据包到达时间创建一个图像，我们称之为FlowPic。不依赖于数据包有效负载内容，因此不会侵犯隐私存储需求非常小，近乎实时的分类可行数据集：

这是篇关于加密流量分类的综述，加密流量分类的入门之作，流量分类应用范围广泛，从isp的QoS提供和计费，到防火墙和入侵检测系统的安全应用。从最简单基于端口的、数据包检测到经典的机器学习方法，到由于深度学习的兴起，神经网络成为加密流量分类的主流。本文介绍了常用的深度学习方法及其在流量分类任务中的应用。然后讨论了开放的问题和它们的挑战。关键词：流量分类、深度学习、机器学习1.1 基于端口（port）的