清华大学 | MH-Net：基于多视角异构图的加密流量分类方法
💡
原文中文，约4000字，阅读约需10分钟。
📝
内容提要
MH-Net是一种新型加密流量分类模型，通过构建多视角异构图，挖掘流量字节之间的细粒度关联。该模型结合多任务训练和对比学习，显著提高了流量分类的准确性，尤其在CIC-IoT和ISCX数据集上表现突出，验证了其有效性和先进性。
🎯
关键要点
- MH-Net是一种新型加密流量分类模型，通过构建多视角异构图挖掘流量字节之间的细粒度关联。
- MH-Net结合多任务训练和对比学习，显著提高了流量分类的准确性。
- 传统深度包检测方法难以应对复杂的加密流量分类任务。
- MH-Net框架由多视角流量图构建、异构流量图表示学习和多任务联合训练机制三大核心模块组成。
- 多视角流量图构建通过不同长度的流量单元捕捉字节级数据的多视角信息。
- 异构流量图表示学习利用HGNN提取判别性特征，增强数据包头部和负载之间的语义关系。
- 多任务训练机制通过流量分类任务和对比学习任务联合训练，提升模型的表示能力。
- MH-Net在CIC-IoT和ISCX数据集上表现突出，验证了其有效性和先进性。
- 消融实验表明，8-bit流量单元对性能提升明显，异构图建模是必要的。
- 敏感性分析显示包级对比损失权重对模型性能影响显著，流级对比损失权重影响较小。
- 不同流量单元组合的实验结果表明，合理组合流量单元可以提升模型性能。
- MH-Net在与多个基准方法的比较中整体表现最优，验证了其有效性和先进性。
➡️
