基于DA-ResCNN的加密流量分类方法OA

为了应对加密流量分类中的特征维度高、类别分布复杂和判别难度大等挑战,提出了一种基于双重注意力残差卷积神经网络(dual-attention residual convolutional neural network,DA-ResCNN)的加密流量分类方法。该方法结合残差学习和一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN),并引入高效通道注意力(efficient channel attention,ECA)和卷积块注意力模块(convolutional block attention module,CBAM),先进行通道重标定,再聚焦空间特征,从而在保持模型轻量化的同时增强时空联合建模能力。残差捷径连接保证了深层网络的可训练性,并有效稳定了梯度流;注意力机制则动态调整关键通道和位置的权重,减少了相似类别的混淆。实验结果表明,DA-ResCNN模型较1D-CNN模型在ISCX VPN-nonVPN数据集上的分类准确率提高了10.3百分点,在Email、Chat、VPN-VoIP类别上的F1值分别提高了28.0、33.0和11.0百分点。