基于AttentionGAN的加密流量分类方法

摘要：

在网络流量分类中,各协议类别之间样本分类不平衡,从而导致训练的模型泛化能力差、识别准确率低.为此,提出了一种在生成对抗网络中添加通道注意力机制的方法(AttentionGAN),来进行数据增强,对样本较少的协议进行扩充.该方法首先将原始流量数据报存储(Packet Capture,PCAP)数据按照流为单位进行切分、填充,并生成灰度图;其次使用AttentionGAN方法对数据集进行扩充;最后在公开数据集ISCX VPN-nonVPN和USTC-TFC2016 上使用NIN、LeNet和VGG16 模型对原始数据集和平衡后的数据集进行分类测试.实验结果表明,基于AttentionGAN的平衡方法在精确度、召回率、F1 这 3 个指标上均优于过采样(Synthetic Minority Oversampling Technique,SMOTE)、生成对抗网络(Generative Adversarial Networks,GAN)和沃瑟斯坦生成式对抗网络(Wasserstein GAN,WGAN)平衡方法.

关键词：生成对抗网络、注意力机制、机器学习、流量分类

所属期刊栏目：56

分类号：TP389.1(计算技术、计算机技术)

在线出版日期：2023-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：175-182