一种基于图卷积神经网络的加密流量分类方法

摘要

深度学习算法被广泛应用于网络流量分类领域并取得较好效果。然而对抗攻击的出现给其安全性带来了严重威胁，使得当前主流的基于卷积神经网络模型的分类算法的精度严重下降。针对此提出了一种抗流量分类中灰度图对抗攻击的加密流量分类方法。所提方法通过提取数据包负载长度、包序列、方向、簇等流量交互信息构建拓扑图，将加密流量分类问题转化为图分类问题。使用基于图卷积神经网络的分类方法进行特征的学习分类，图卷积神经网络模型可以自动从输入的拓扑图中提取特征，将特征映射到嵌入空间中的不同表示来区分不同的图结构。实验结果表明，所提方法不仅能够避免对抗攻击，且在公开数据集上的分类性能也较现有典型方法提高了5%以上。