基于时空特征自适应融合网络的流量分类方法

来源：电子测量技术杂志2024年第3期北京时间：

作者：杨宇，唐东明，李驹光，肖宇峰

单位：西南科技大学信息工程学院 绵阳 621010

摘要：针对当前网络流量瞬时涌现导致网络安全事故骤增、网络管理负担加重等问题，基于深度学习技术提出了ResNet和一维Vision Transformer并行的网络结构对网络流量进行识别并分类。其中ResNet可以提取到流量数据在空间上深层次的特征，能够保证流量识别的准确率；一维Vision Transformer可以提取到更具代表性的时序特征。利用注意力机制将两种特征进行自适应融合得到更全面的特征表示，以提高网络识别流量的能力。在ISCX VPN-nonVPN数据集上进行实验表明：所提方法在流量的应用程序分类实验中的准确率达到了99.5%，相较于单独的ResNet和一维Vision Transformer以及经典的一维CNN和CNN+长短时记忆网络分别提高了0.9%、3.6%、6.6%和3.3%。在USTC-TFC 2016 数据集上，所提方法在能够轻松识别流量是否为恶意流量的基础上，实现了对13种应用程序的分类，且平均分类准确率达到了98.92%，证明了其具有识别恶意流量并完成细粒度分类任务的能力。

关键词：流量分类;ResNet;vision Transformer;多头注意力机制;特征融合

基金资助：国家自然科学基金（12175187）项目资助