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。
❓
延伸问答
MH-Net模型的主要创新点是什么？
MH-Net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，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。
MH-Net在流量分类任务中表现如何？
MH-Net在CIC-IoT和ISCX数据集上表现突出，流级和包级分类任务均取得最优成绩，显著超过传统方法和其他深度学习模型。
MH-Net的核心模块有哪些？
MH-Net的核心模块包括多视角流量图构建、异构流量图表示学习和多任务联合训练机制。
MH-Net如何处理流量字节之间的关联？
MH-Net通过点互信息构建流量图，捕捉流量单元序列之间的共现关系，从而挖掘字节之间的细粒度关联。
MH-Net的多任务训练机制有什么优势？
多任务训练机制通过联合训练流量分类任务和对比学习任务，提升了模型的表示能力和分类性能。
MH-Net在实验中使用了哪些数据集？
MH-Net在CIC-IoT、ISCX-VPN、ISCX-NonVPN、ISCX-Tor和ISCX-NonTor等五个公开数据集上进行了实验。
➡️
