典型文献
基于多层双向SRU与注意力模型的加密流量分类方法
文献摘要：
基于传统循环神经网络的加密流量分类方法普遍存在并行性较差、模型运行效率较低等问题.为实现加密流量的快速准确分类,提出一种基于多层双向简单循环单元(SRU)与注意力(MLBSRU-A)模型的加密流量分类方法.将特征学习和分类统一到一个端到端模型中,利用SRU模型高度并行化的序列建模能力来提高整体运行效率.为了提升MLBSRU-A模型的分类精度,堆叠多层双向SRU网络使其自动地从原始流量中提取特征,并引入注意力机制为特征赋予不同的权重,从而提高重要特征之间的区分度.实验结果表明,在公开数据集ISCX VPN-nonVPN上,MLBSRU-A模型具有较高的分类精度和运行效率,与BGRUA模型相比,MLBSRU-A的细粒度分类准确率提高4.34％,训练时间减少55.38％,在USTC-TFC 2016数据集上,MLBSRU-A模型对未知加密恶意流量的检测准确率达到99.50％,细粒度分类准确率为98.84％,其兼具对未知加密恶意流量的高精度检测能力以及对加密恶意流量的细粒度分类能力.
文献关键词：
加密流量分类;加密恶意流量检测;简单循环单元;注意力机制;循环神经网络
中图分类号：
作者姓名：
张稣荣;卜佑军;陈博;孙重鑫;王涵;胡先君
作者机构：
中国人民解放军战略支援部队信息工程大学 信息技术研究所,郑州 450000;网络通信与安全紫金山实验室 内生安全研究中心,南京 211100
文献出处：
引用格式：
[1]张稣荣;卜佑军;陈博;孙重鑫;王涵;胡先君-.基于多层双向SRU与注意力模型的加密流量分类方法)[J].计算机工程,2022(11):127-136
A类：
MLBSRU,BGRUA
B类：
注意力模型,加密流量分类,分类方法,循环神经网络,并行性,快速准确,双向简单循环单元,特征学习,端到端模型,并行化,序列建模,建模能力,分类精度,堆叠,提取特征,注意力机制,区分度,公开数据集,ISCX,nonVPN,细粒度分类,分类准确率,训练时间,USTC,TFC,检测准确率,高精度检测,检测能力,加密恶意流量检测
AB值：
0.238275
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
