引言

網絡流量分類(Traffic Classification)技術能夠精準識別不同應用程序或服務所產生的網絡流量，同時探測出潛在的威脅流量，這對于維護網絡安全與穩定運行具有關鍵意義。如今，互聯網技術呈現出日新月異的發展態勢，網絡流量也隨之呈現出爆炸式增長以及復雜化的特點。流量加密技術，諸如廣泛運用的TLS/SSL協議，在切實保障用戶隱私和數據安全方面成效顯著。然而，這種加密技術的廣泛應用也給網絡流量分類帶來了前所未有的挑戰。傳統的流量分類方法，例如基于端口的方法，主要依據流量五元組中的端口號信息來推斷應用類型。然而，面對當下動態端口和端口偽裝技術，尤其是針對日益復雜的加密流量，這類簡單依賴端口或明文載荷的方法已經暴露出明顯的局限性，難以滿足實際需求。隨著研究的不斷深入，機器學習(Machine Learning)方法被引入到流量分類領域。但目前的機器學習方法大多依賴于人工設計的流量特征，這在很大程度上限制了其泛化能力，使其難以應對復雜多變的網絡環境。而深度學習(Deep Learning)方法雖具備自動從原始數據中提取有效特征的優勢，但對大量標記數據存在高度依賴性，而在網絡安全領域，獲取大規模、高質量的標記流量數據成本高昂。同時，當訓練數據規模不足、代表性不強或存在偏差時，深度模型因其高復雜度和海量參數，極易學習到數據中的噪聲而非普適規律，從而導致過擬合問題，降低了模型在真實網絡環境中的泛化能力。鑒于上述問題，本文提出了一種基于教師-學生雙模型的半監督流形混合流量分類方法(Manifold Mixup Mean Teacher，M3T)。教師-學生架構(Mean Teacher，MT)是一種利用雙模型架構的先進方法。在該架構中，學生模型借助梯度下降方法，利用標記數據與無標記數據進行更新迭代；而教師模型則采用移動指數平均(Exponential Moving Average, EMA)方式更新參數，憑借其更為穩定的輸出，對學生的模型學習過程進行有效監督，進而顯著提升模型的泛化性能。在此基礎上，本研究進一步引入由教師模型引導的流形特征混合機制，于教師模型的深層特征空間中運用流形混合(Manifold Mixup)方法，構建起“教師特征擾動-學生動態對齊”的雙向優化框架，以此增強模型對特征擾動的魯棒性，同時優化決策邊界，使其更適應復雜的流量分類場景。綜上所述，本文的主要貢獻為：(1)提出教師模型引導的流形特征混合機制，將流形混合遷移至教師模型的深層特征空間，構建“教師特征擾動-學生動態對齊”雙向優化框架。利用教師EMA參數提供的穩定特征表達，避免學生模型早期特征的不確定性干擾。(2)通過三項損失的協同，在模型框架中實現基礎分類、一致性對齊與決策邊界平滑的聯合優化。交叉熵損失保證基礎分類能力；一致性損失強制學生輸出與教師輸出對齊，實現一致性正則化，緩解模型過擬合問題；混合損失增強模型對特征擾動的魯棒性，優化決策邊界平滑。(3)提出一種基于教師-學生架構的半監督流形混合網絡流量分類模型框架，在多個流量數據集上評估預訓練模型，結果顯示能夠普遍取得90%以上的準確率。

本文詳細內容請下載：

http://www.tom3567.com/resource/share/2000006926

作者信息：

馬可1，何明樞1，蔡晶晶2，王小娟1

(1.北京郵電大學電子工程學院，北京100876；

2.永信至誠科技集團股份有限公司，北京100089)