当前，基于深度学习的流量分类模型已广泛应用于加密恶意流量分类，然而深度学习模型所面临的对抗样本攻击问题严重影响了这些模型的检测精度和可用性。因此，提出一种面向加密恶意流量检测模型的堆叠集成对抗防御方法D-SE（Detector-Stacking Ensemble）。D-SE采用堆叠集成学习框架，分为对抗防御层和决策层。对抗防御层用于检测潜在的对抗攻击流量样本，在该层中包括由残差网络（ResNet）、CNN-LSTM、ViT（Vision Transformer）这3种分类器以及多层感知机组成的对抗攻击检测器，多层感知机根据分类器预测概率的分布检测是否发生对抗攻击。为提高检测器的对抗样本检测效果，对检测器进行对抗训练。在决策层中设计一种基于投票和权重机制的联合决策模块，并通过择多判决机制和高权重者优先机制避免最终预测结果过度依赖部分分类器。在USTC-TFC2016数据集上对D-SE进行测试的结果表明：在非对抗环境下，D-SE的准确率达到96%以上；在白盒攻击环境下，D-SE的准确率达到89%以上。可见，D-SE具有一定的对抗防御能力。
