Key points are not available for this paper at this time.
La classification du trafic est une tâche critique en matière de sécurité et de gestion des réseaux. Des recherches récentes ont démontré l'efficacité de la méthode de classification du trafic basée sur l'apprentissage profond. Cependant, les limitations suivantes demeurent : (1) la représentation du trafic est simplement générée à partir des octets de paquets bruts, ce qui entraîne l'absence d'informations importantes ; (2) la structure du modèle d'application directe des algorithmes d'apprentissage profond ne prend pas en compte les caractéristiques du trafic ; et (3) l'entraînement de classificateurs spécifiques à un scénario nécessite généralement un processus laborieux et chronophage pour étiqueter les données. Dans cet article, nous introduisons un transformateur de trafic basé sur un autoencodeur masqué (MAE) avec représentation de flux multi-niveaux pour résoudre ces problèmes. Pour modéliser les données de trafic brutes, nous concevons une matrice de représentation de trafic formatée avec des informations de flux hiérarchiques. Après cela, nous développons un Transformateur de Trafic efficace, dans lequel des mécanismes d'attention au niveau des paquets et au niveau des flux mettent en œuvre une extraction de caractéristiques plus efficace avec une complexité réduite. Enfin, nous utilisons le paradigme MAE pour pré-entraîner notre classificateur avec une grande quantité de données non étiquetées, et effectuons un ajustement fin avec quelques données étiquetées pour une série de tâches de classification de trafic. Les résultats expérimentaux révèlent que notre méthode surpasse les méthodes de pointe sur cinq ensembles de données de trafic du monde réel de manière significative. Le code est disponible à l'adresse https://github.com/NSSL-SJTU/YaTC.
Zhao et al. (Mon,) ont étudié cette question.