基于改进Inception-ResNet的加密流量分类方法

doi:10.11772/j.issn.1001-9081.2022071030

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (8): 2471-2476.DOI: 10.11772/j.issn.1001-9081.2022071030

• 网络空间安全 • 上一篇

基于改进Inception-ResNet的加密流量分类方法

郭祥, 姜文刚(), 王宇航

江苏科技大学自动化学院，江苏镇江 212100

收稿日期:2022-07-14 修回日期:2022-11-17 接受日期:2022-11-21 发布日期:2023-01-15 出版日期:2023-08-10
通讯作者: 姜文刚
作者简介:郭祥（1997—），男，安徽六安人，硕士研究生，主要研究方向：多媒体与信息安全、深度学习
王宇航（1996—），女，吉林长春人，硕士，主要研究方向：多媒体与信息安全、深度学习。
基金资助:
国家自然科学基金资助项目(61702235);江苏省研究生创新计划项目(KYCX21_3482)

Encrypted traffic classification method based on improved Inception-ResNet

Xiang GUO, Wengang JIANG(), Yuhang WANG

College of Automation，Jiangsu University of Science and Technology，Zhenjiang Jiangsu 212100，China

Received:2022-07-14 Revised:2022-11-17 Accepted:2022-11-21 Online:2023-01-15 Published:2023-08-10
Contact: Wengang JIANG
About author:GUO Xiang， born in 1997， M. S. candidate. His research interests include multimedia and information security， deep learning.
WANG Yuhang， born in 1996， M. S. Her research interests include multimedia and information security， deep learning.
Supported by:
National Natural Science Foundation of China(61702235);Graduate Innovation Program of Jiangsu Province(KYCX21_3482)

摘要/Abstract

摘要：

基于深度学习的加密流量分类方法中的分类模型大多是深层直筒型结构，存在梯度消失的问题，且网络层数的增加会使模型结构和计算的复杂度显著上升。为此，提出了一种基于改进Inception-ResNet的加密流量分类方法。该方法通过改进Inception模块，并将该模块作为残差块以残差结构连接的方式嵌入卷积神经网络来构建分类模型；此外，改进分类模型的损失函数，并使用VPN-nonVPN数据集来验证所提方法的有效性。实验结果表明，所提方法在2种场景的分类实验中的精确率、召回率、F1值分别达到了94.21%、92.53%和93.31%以上。在与其他方法的对比实验中，以分类难度最大的12分类实验为例，所提方法比C4.5决策树算法和1D-CNN（1 Dimensional-Convolutional Neural Network）在精确率上分别高出13.91和9.50个百分点，在召回率上分别高出14.87和1.59个百分点。与CAE （Convolutional Auto Encoding）和SAE （Stacked Auto Encoder）等方法相比，所提方法虽然在各项指标上没有明显提升，但在单次训练时长上却有明显缩短，充分表明了所提方法的先进性。

关键词: 深度学习, 批量归一化层, 残差结构, 不平衡数据集, 损失函数

Abstract:

Most classification models in deep learning-based encrypted traffic classification methods have deep and straight structure with the problem of vanishing gradient， and the increase of the number of network layers leads to significant increase of model structure and computational complexity. Based on these， an encrypted traffic classification method based on improved Inception-ResNet was proposed. In the method， the classification model was constructed by improving the Inception module and embedding it into the convolutional neural network as a residual block in a residual structural connection way. In addition， the loss function of the classification model was improved， and the effectiveness of the proposed method was verified by using VPN-nonVPN dataset. Experimental results show that the proposed method achieves the precision， recall， and F1 score of more than 94.21%， 92.53%， and 93.31%， respectively， in the classification experiments of two senerios. In the comparison experiments with other methods， taking the 12-class classification experiment， which is the most difficult one， as an example， the proposed method is higher than C4.5 decision tree algorithm and 1D-CNN （1 Dimensional-Convolutional Neural Network） by 13.91 and 9.50 percentage points higher in precision and by 14.87 and 1.59 percentage points in recall. Compared with the algorithms such as CAE （Convolutional Auto Encoding） and SAE （Stacked Auto Encoder）， the proposed method not has obvious improvement on the indicators， but has significant shorter single training time， fully demonstrating that the proposed method is a state-of-the-art method.

Key words: deep learning, batch normalization layer, residual structure, imbalanced dataset, loss function

中图分类号:

TP393.08

郭祥, 姜文刚, 王宇航. 基于改进Inception-ResNet的加密流量分类方法[J]. 计算机应用, 2023, 43(8): 2471-2476.

Xiang GUO, Wengang JIANG, Yuhang WANG. Encrypted traffic classification method based on improved Inception-ResNet[J]. Journal of Computer Applications, 2023, 43(8): 2471-2476.

图/表 12

参考文献 17

1	GUO L L， WU Q Q， LIU S L， et al. Deep learning-based real-time VPN encrypted traffic identification methods［J］. Journal of Real-Time Image Processing， 2020， 17（1）： 103-114. 10.1007/s11554-019-00930-6
2	王洋，陈紫儿，柳瑞春，等. 基于决策树算法的网络加密流量识别方法［J］. 长江信息通信， 2021， 34（11）：15-17. 10.3969/j.issn.1673-1131.2021.11.005
	WANG Y， CHEN Z E， LIU R C， et al. Network encryption traffic identification method based on decision tree algorithm［J］. Changjiang Information and Communications， 2021， 34（11）：15-17. 10.3969/j.issn.1673-1131.2021.11.005
3	连晓伟，马垚，陈永乐，等. 基于载荷特征与统计特征的Shodan流量识别［J］. 计算机工程， 2021， 47（1）： 117-122. 10.19678/j.issn.1000-3428.0056888
	LIAN X W， MA Y， CHEN Y L， et al. Shodan traffic identification based on load characteristics and statistical characteristics［J］. Computer Engineering， 2021， 47（1）：117-122. 10.19678/j.issn.1000-3428.0056888
4	WANG W， ZHU M， WANG J L， et al. End-to-end encrypted traffic classification with one-dimensional convolution neural networks［C］// Proceedings of the 2017 IEEE International Conference on Intelligence and Security Informatics. Piscataway： IEEE， 2017： 43-48. 10.1109/isi.2017.8004872
5	LOTFOLLAHI M， JAFARI SIAVOSHANI M， SHIRALI HOSSEIN ZADE R， et al. Deep packet： a novel approach for encrypted traffic classification using deep learning［J］. Soft Computing， 2020， 24（3）： 1999-2012. 10.1007/s00500-019-04030-2
6	REZAEI S， LIU X. Deep learning for encrypted traffic classification： an overview［J］. IEEE Communications Magazine， 2019， 57（5）： 76-81. 10.1109/mcom.2019.1800819
7	REZAEI S， KROENCKE B， LIU X. Large-scale mobile app identification using deep learning［J］. IEEE Access， 2020， 8： 348-362. 10.1109/access.2019.2962018
8	LU B， LUKTARHAN N， DING C， et al. ICLSTM： encrypted traffic service identification based on Inception-LSTM neural network［J］. Symmetry， 2021， 13（6）： No.1080. 10.3390/sym13061080
9	REN X M， GU H X， WEI W T. Tree-RNN： tree structural recurrent neural network for network traffic classification［J］. Expert Systems with Applications， 2021， 167： No.114363. 10.1016/j.eswa.2020.114363
10	SOLEYMANPOUR S， SADR H， NAZARI SOLEIMANDARABI M. CSCNN： cost-sensitive convolutional neural network for encrypted traffic classification［J］. Neural Processing Letters， 2021， 53（5）： 3497-3523. 10.1007/s11063-021-10534-6
11	李艳霞，柴毅，胡友强，等. 不平衡数据分类方法综述［J］. 控制与决策， 2019， 34（4）： 673-688. 10.13195/j.kzyjc.2018.0865
	LI Y X， CHAI Y， HU Y Q， et al. Review of imbalanced data classification methods［J］. Control and Decision， 2019， 34（4）： 673-688. 10.13195/j.kzyjc.2018.0865
12	SZEGEDY C， IOFFE S， VANHOUCKE V， et al. Inception-v4， Inception-ResNet and the impact of residual connections on learning［C］// Proceedings of the 31st AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2017： 4278-4284. 10.1609/aaai.v31i1.11231
13	IOFFE S， SZEGEDY C. Batch normalization： accelerating deep network training by reducing internal covariate shift［C］// Proceedings of the 32nd International Conference on Machine Learning. New York： JMLR.org， 2015： 448-456.
14	DOUGLAS S C， YU J T. Why RELU units sometimes die： analysis of single-unit error backpropagation in neural networks［C］// Proceedings of the 52nd Asilomar Conference on Signals， Systems， and Computers. Piscataway： IEEE， 2018：864-868. 10.1109/acssc.2018.8645556
15	陈超，齐峰. 卷积神经网络的发展及其在计算机视觉领域中的应用综述［J］. 计算机科学， 2019， 46（3）：63-73. 10.11896/j.issn.1002-137X.2019.03.008
	CHEN C， QI F. Review on development of convolutional neural network and its application in computer vision［J］. Computer Science， 2019， 46（3）：63-73. 10.11896/j.issn.1002-137X.2019.03.008
16	LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（2）：318-327. 10.1109/tpami.2018.2858826
17	DRAPER-GIL G， LASHKARI A H， MAMUN M S I， et al. Characterization of encrypted and VPN traffic using time-related features［C］// Proceedings of the 2nd International Conference on Information Systems Security and Privacy. Setúbal： SciTePress， 2016：407-414. 10.5220/0005740704070414

场景	分类	均值			标准差
场景	分类	P	R	F1	P	R	F1
场景1	2分类	100.00	100.00	100.00	0.00	0.00	0.00
	加密6分类	94.21	92.53	93.31	0.12	0.07	0.09
	非加密6分类	98.28	98.55	98.39	0.06	0.06	0.05
场景2	12分类	95.25	95.25	95.26	0.05	0.06	0.04

场景	分类	均值			标准差
场景	分类	P	R	F1	P	R	F1
场景1	2分类	100.00	100.00	100.00	0.00	0.00	0.00
	加密6分类	94.21	92.53	93.31	0.12	0.07	0.09
	非加密6分类	98.28	98.55	98.39	0.06	0.06	0.05
场景2	12分类	95.25	95.25	95.26	0.05	0.06	0.04

候选结构	卷积核尺寸	特征通道数	总体精度/%
候选结构	卷积核尺寸	特征通道数	平均池化	最大池化
1	3×3	16	91.21	91.37
2	3×3	32	92.50	92.63
3	3×3	64	91.47	91.63
4	5×5	16	90.31	90.37
5	5×5	32	91.51	91.56
6	5×5	64	91.62	91.70

候选结构	卷积核尺寸	特征通道数	总体精度/%
候选结构	卷积核尺寸	特征通道数	平均池化	最大池化
1	3×3	16	91.21	91.37
2	3×3	32	92.50	92.63
3	3×3	64	91.47	91.63
4	5×5	16	90.31	90.37
5	5×5	32	91.51	91.56
6	5×5	64	91.62	91.70

残差块数量	精确率	残差块数量	精确率
1	84.43	3	94.12
2	91.67	4	94.12

基于改进Inception-ResNet的加密流量分类方法

Encrypted traffic classification method based on improved Inception-ResNet

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 17

相关文章 15

编辑推荐

Metrics

分类器	指标	P			R			F1
分类器	指标	C4.5	1D-CNN	本文模型	C4.5	1D-CNN	本文模型	C4.5	1D-CNN	本文模型
2分类	均值	89.80	99.90	100.00	90.49	99.90	100.00	90.12	99.92	100.00
2分类	标准差	0.05	0.05	0.00	0.05	0.05	0.00	0.05	0.06	0.00
加密6分类	均值	89.10	85.52	94.23	85.51	85.80	92.51	87.31	85.62	93.32
加密6分类	标准差	0.21	0.18	0.18	0.10	0.11	0.05	0.12	0.12	0.05
非加密6分类	均值	84.10	94.91	98.21	87.62	97.31	98.52	85.81	96.10	98.22
非加密6分类	标准差	0.17	0.13	0.05	0.14	0.13	0.06	0.12	0.06	0.07
12分类	均值	81.30	85.71	95.21	80.34	93.62	95.21	80.81	89.62	95.23
12分类	标准差	0.12	0.09	0.07	0.12	0.08	0.06	0.07	0.07	0.05

类别	模型	P		R		F1
类别	模型	均值	标准差	均值	标准差	均值	标准差
Chat	文献［1］模型	78.41	0.07	81.22	0.07	79.63	0.10
Chat	本文模型	78.00	0.06	84.30	0.04	81.14	0.06
Email	文献［1］模型	97.10	0.14	96.82	0.07	96.64	0.10
Email	本文模型	95.41	0.06	95.13	0.06	95.20	0.06
File	文献［1］模型	89.30	0.06	77.90	0.04	83.23	0.08
File	本文模型	94.91	0.06	84.82	0.12	89.63	0.07
P2P	文献［1］模型	97.10	0.06	92.90	0.16	94.62	0.20
P2P	本文模型	97.10	0.06	97.15	0.06	97.18	0.06
Streaming	文献［1］模型	90.72	0.07	93.72	0.17	92.12	0.15
Streaming	本文模型	95.91	0.06	95.72	0.06	95.83	0.06
VoIP	文献［1］模型	93.91	0.12	95.25	0.12	94.42	0.12
VoIP	本文模型	94.21	0.06	93.90	0.06	94.12	0.04

[1]	崔雨萌, 王靖亚, 刘晓文, 闫尚义, 陶知众. 融合注意力和裁剪机制的通用文本分类模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2396-2405.
[2]	梁敏, 刘佳艺, 李杰. 融合迭代反馈与注意力机制的图像超分辨重建方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2280-2287.
[3]	叶坤佩, 熊熙, 丁哲. 基于领域融合和时间权重的招工推荐模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2133-2139.
[4]	拓雨欣, 薛涛. 融合指针网络与关系嵌入的三元组联合抽取模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2116-2124.
[5]	郑帅, 张晓龙, 邓鹤, 任宏伟. 基于多尺度特征融合和网格注意力机制的三维肝脏影像分割方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2303-2310.
[6]	岑黎彬, 李靖东, 林淳波, 王晓玲. 基于深度自回归模型的近似查询处理方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2034-2039.
[7]	秦静, 马雪倩, 高福杰, 季长清, 汪祖民. 基于步态分析的帕金森病辅助诊断方法综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1687-1695.
[8]	吕宗喆, 徐慧, 杨骁, 王勇, 王唯鉴. 面向小目标的YOLOv5安全帽检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1943-1949.
[9]	陈一驰, 陈斌. 计算机视觉中的终身学习综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1785-1795.
[10]	靳鑫, 刘仰川, 朱叶晨, 张子健, 高欣. 基于残差编解码-生成对抗网络的正弦图修复的稀疏角度锥束CT图像重建[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1950-1957.
[11]	董润婷, 吴利, 王晓英, 曹腾飞, 黄建强, 管琴, 吴洁瑕. 深度学习在天气预报领域的应用分析及研究进展综述[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1958-1968.
[12]	傅励瑶, 尹梦晓, 杨锋. 基于Transformer的U型医学图像分割网络综述[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1584-1595.
[13]	王先兰, 周金坤, 穆楠, 王晨. 基于多任务联合学习的跨视角地理定位方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1625-1635.
[14]	徐清海, 丁世飞, 孙统风, 张健, 郭丽丽. 改进的基于多路径特征的胶囊网络[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1330-1335.
[15]	刘阳, 陆志扬, 王骏, 施俊. 基于自注意力连接UNet的磁共振成像去吉布斯伪影算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1606-1611.