基于多表征融合的物联网恶意加密流量分类OA

在恶意加密流量分类领域,模型通过增加流量特征维度来扩展判别表征的丰富性,但仍然存在选择模型与恶意加密流量数据特征不匹配以及特征选择不充分的问题,同时缺乏对加密流量数据特征的讨论研究。为此,针对物联网(IoT)恶意加密流量分类问题,提出一种基于多表征融合的分类模型。一方面,使用抽象表征学习模型学习流量会话的数据包级字节关联表征与会话统计表征;另一方面,使用明文表征学习模型学习未加密明文的会话连接表征。最后,根据抽象表征学习模型对分类结果的置信分数融合2个模型,获得最终的恶意流量分类结果。为验证模型的先进性,与7种基准模型进行实验比较,结果表明,所提模型的F1值达到0.7694,相较其他基准模型均有大幅提升。同时,为验证模型中各个模块与流量表征学习的适配性、选择特征所含判别表征之间的互补性,生成10种基于不同输入与不同模型架构的变体模型进行比较,结果表明,该模型具有更优的检测性能,证明了模型架构的适配性与表征之间的互补性。