加密流量智能化分析技术：现状、进展与挑战

来源：电子与信息学报杂志2026年第3期北京时间：

作者：龚碧, 刘建, 唐小妹, 于美婷, 龚航, 黄美根

单位：1.国防科技大学电子科学学院 长沙 4100732.国防科技大学密码研究中心 长沙 4100733.导航与时空技术国家级重点实验室 长沙 4100734.国防科技大学系统工程学院 长沙 410073

摘要：加密流量分析是保障网络安全的关键技术之一，该文系统探讨了其核心应用与主流技术。特征工程基于统计和行为特征刻画流量模式，深度学习则采用卷积神经网络、循环神经网络与图神经网络等架构自动提取深层特征，例如，改进的多尺度卷积神经网络在ISCXVPN2016数据集上的分类准确率达到86.77%。Transformer凭借其强大的特征捕捉能力，进一步推动了该领域发展，如融合掩码自动编码器的流量Transformer方法在相同数据集上的分类准确率达98.07%。此外，联邦学习在保护隐私的同时实现对流量的高精度分类，已有案例验证，其模型精度与集中式学习相比，差距可缩小至0.8%。多模态特征融合技术通过综合流量异构特征提升模型效能，成功将多分类任务的准确率与F1分数分别提升至93.75%和91.95%。生成式模型则有效解决数据稀缺问题，如基于扩散模型方法所生成的流量在包大小和间隔等关键特征上，与真实流量的相似度相较基线模型提升达到43.4%和39.02%。文章最后总结了当前挑战，并展望了未来方向。

关键词：加密流量, 特征工程, 深度学习, Transformer, 联邦学习