← 返回列表

TFE-GNN:一种用于细粒度加密流量分类的基于图神经网络的时间融合编码器

聚合站 SecWiki技术 作者 安全学术圈 发布 2025年6月27日 18:30 入库 2026-11-18T04:12:56

原文标题:TFE-GNN: A Temporal Fusion Encoder Using Graph Neural Networks for Fine-grained Encrypted Traffic Classification原文作者:Haozhen Zhang, Le Yu, Xi Xiao, Qing Li, Francesco Mercaldo, Xiapu Luo, Qixu Liu原文链接:https://doi.org/10.1145/3543507.3583227发表会议:WWW笔记作者:宋坤书@安全学术圈主编:黄诚@安全学术圈编辑:张贝宁@安全学术圈

1、研究背景

为了保护用户的隐私,各种加密技术被广泛应用于网络通信中,但这也为恶意行为提供了便利,像VPN和Tor这些隐私增强工具可能会被用于进行非法活动,让其难以追踪。传统的深度数据包检测方法在对加密流量的识别效果表现不佳,基于流量统计特征的方法虽然取得了一定的进展,但它需要依赖于手工特征提取,且面对短流和动态变化的流时表现的不稳定。近年来,图神经网络(Graph Neural Networks, GNN)在处理非结构化数据方面展现出强大能力,逐渐被应用于流量分类任务。然而,现有GNN方法仍存在两个主要问题:一是未能区分数据包头部与负载的语义差异;二是对原始字节信息的利用不充分,未能充分挖掘其潜在特征。

为解决上述问题,本文提出了一种基于点互信息(Point-wise Mutual Information, PMI)的字节级流量图构建方法,并设计了一种新型模型TFE-GNN(Temporal Fusion Encoder using Graph Neural Networks),用于细粒度的加密流量分类。实验基于自行构建的WWT数据集以及公开的ISCX-Tor数据集进行评估,实验结果表明TFE-GNN在多个数据集上的表现均显著优于现有方法。

2、TFE-GNN框架

TFE-GNN模型包含三个主要子模块:双重嵌入模块、图编码器和交叉门控特征融合机制。双嵌入模块分别处理数据包的报头和有效载荷,并使用两个独立的嵌入层对其进行嵌入;流量图编码器由多层GNN组成,它将每个图编码为一个高维图向量;交叉门控特征融合机制将报头图向量和有效载荷图向量融合,得到数据包的整体表示向量。最后在分类阶段,引入时间序列模型进行端到端训练和预测。TFE-GNN模型结构如下图:

2.1 字节级流量图构建

本文提出了一种字节级流量图构建方法,该方法将每个字节视为图中的节点,由于字节值的范围固定在0到255之间,相同值的字节共享同一节点,从而保证了图的规模不超过256个节点,具有较高的表示效率。由于按时间顺序连接所有字节的方式会导致图结构过于稠密、拓扑结构缺乏可区分性,因此本文采用PMI来衡量字节之间的相关性,该方法借鉴了自然语言处理中词语关联度的计算思想,更加准确地捕捉字节之间的语义联系。

具体而言,仅当两个字节的PMI值为正时,才在它们之间建立边,从而构建出稀疏而有区分度的图结构。在邻接矩阵中,若PMI,则,否则为0。每个节点的初始特征即为对应的字节值(0–255)。由于PMI具有对称性,因此构建得到的字节级流量图是无向图。这一图构建方法有效地保留了字节层面的相关结构信息,为后续的图神经网络建模打下了基础。

2.2 TFE-GNN模型架构

2.2.1 双重嵌入模块

在加密流量中,同一个字节值在数据包的报头和负载部分往往承担不同的语义角色。将其视为相同的嵌入向量,会导致语义混淆、降低模型效果。为解决这一问题,TFE-GNN将报头和负载构建为两个字节级图,并引入双重嵌入机制,分别为报头和负载设置不共享参数的嵌入层,将原始字节值映射为高维向量,从而保留其在不同上下文中的语义差异。这种嵌入机制有助于模型在后续训练中更准确地学习和区分两部分字节的结构特征。

2.2.2 图编码器

TFE-GNN针对数据包的报头和负载分别构建字节级流量图,因此其后续模块也采用双重设计,两个模块结构相同但参数不共享,可并行处理。

在流量图编码器中,本文采用堆叠的GraphSAGE图神经网络对每个字节节点进行编码。GraphSAGE通过对邻居节点的特征进行归一化求平均,并与当前节点特征拼接后经过线性变换和激活函数(PReLU)处理,实现节点特征的更新。为缓解深层图神经网络的过度平滑问题,模型仅堆叠4层GraphSAGE,并将各层输出拼接作为节点的最终特征表示。随后,对所有节点特征进行均值池化,得到整个图的特征向量,分别记为报头图特征向量和负载图特征向量,供后续融合与分类使用。

2.2.3 交叉门控特征融合机制

交叉门控特征融合机制旨在合理关联来自数据包头部图和负载图的特征向量和,以获得数据包字节的整体表示。该机制通过两个结构相同但参数独立的滤波器分别作用于和,经过两层线性变换和PReLU激活后,再通过 Sigmoid函数将输出缩放到范围内,生成门控向量和。随后,利用报头门控向量对负载特征进行筛选,利用负载门控向量反向筛选报头特征,以保留关键信息并过滤无关信息。

最终,将筛选后的两个特征向量拼接形成整体的表示向量,作为后续任务的输入。该方法通过跨向量门控,增强了特征融合的灵活性和表达能力,更有效地捕捉数据包报头和负载之间的互补信息。

2.2.4 面向下游分类的端到端时序建模

在模型的最终阶段,TFE-GNN将融合后的每个数据包表示向量输入到下游任务中,执行数据段级别的流量分类。本文将任务建模为时间序列预测问题,因为一个流量段由多个按时间顺序排列的数据包组成。为此,文中采用了经典的双向双层LSTM模型对一系列向量建模,用以捕捉包间的时序依赖关系。随后,LSTM的输出会送入一个有PReLU的两层全连接分类器,预测最终的类别标签,并使用交叉熵损失函数训练整个模型。为了进一步探索模型性能,本文还尝试尝试采用Transformer作为下游训练模型,并在实验部分进行了结果比较。

3、实验设置

为验证所提出的TFE-GNN模型的有效性,实验在多个数据集和基线模型上进行实验,实验采用的数据集包括ISCX VPN-nonVPN、CIC-IDS2017以及一个自构建的流量数据集WTT(数据来自WhatsApp、微信和Telegram的细粒度用户行为流量)。这些数据集涵盖多种协议(如OpenVPN、Tor、HTTPS、FTP等),可广泛评估模型对加密和非加密流量的识别能力。实验主要围绕加密流量识别和攻击检测两个任务进行,具体以分段(segment)为基本单位构建分类任务。

在数据预处理阶段,所有数据集都统一清除“异常”样本,包括空流量(无有效负载)和过长流量(超10000个数据包),以避免无效信息和网络波动带来的干扰。同时,针对每个保留的包,去除了以太网头、IP地址、端口号等对分类无实际贡献的字段,仅保留真正能代表传输内容的有效字节构建图结构。

实验设置中,每个样本最多保留50个数据包,负载和报头最大字节长度分别截断至150字节和40字节以内,PMI窗口大小为5。训练使用Adam优化器,学习率从1e-2衰减至1e-4,最大训练轮数为120,批量大小为512。所有实验均在PyTorch平台和单块RTX 3080 GPU上重复10次求平均结果,并通过四种标准指标(准确率、精确率、召回率、Macro F1分数)与多种基线模型进行对比,验证TFE-GNN的优势。

4、实验结果

在WWT数据集和ISCX数据集上的对比结果如下表:


由在不同数据集上的实验结果对比可以看出:

TFE-GNN在WWT数据集上优于所有对比的基线方法。此外,TFE-GNN在ISCX数据集上与多个基准模型相比也取得了最佳性能,这全面验证了所提出模型在字节级流量建模与分类方面的有效性;

大多数基线方法在Telegram数据上的表现较差,原因在于Telegram用户广泛使用VPN,这增加了分类难度,并可能引入因网络环境不稳定带来的背景噪声。然而,TFE-GNN在该场景下依然表现优异,F1分数相比第二名高出10.82%,这得益于其强大的原始字节编码能力,能够有效抵御加密与混淆带来的干扰。

相较于两种同样基于图神经网络的方法GraphDApp和ECD-GNN,TFE-GNN在所有评估维度上的表现均优于这两种方法。这是由于GraphDApp的交互图构建方式在逻辑结构上存在缺陷,导致流量突发间连接不合理,限制了特征提取能力;而ECD-GNN由于构图缺乏拓扑差异性,在不同数据集上的表现极不稳定。相比之下,TFE-GNN设计了更细粒度的字节图构建机制,能有效区分不同类型流量,在稳定性和表达能力上均有显著优势;

在公开数据集ISCX上的实验也进一步说明了TFE-GNN的鲁棒性和适用性。除了在ISCX-nonVPN上与ET-BERT持平外,TFE-GNN在其他所有场景中均优于几乎所有基线方法。尤其值得强调的是,ET-BERT模型结构复杂、计算资源需求大,而TFE-GNN作为一个更轻量的模型,在保证高精度的同时,具有更强的跨场景适应能力和部署优势。

5、本文贡献

提出了字节级流量图构建方法:首次将数据包的字节序列转化为图结构,从字节级角度构建流量图,为网络流量分类任务提供了新的建模视角,有效提升了模型对细粒度信息的捕捉能力。

设计了TFE-GNN模型:提出了一种新的图神经网络模型TFE-GNN,分别处理数据包报头和负载部分,并将每个字节级流量图编码为每个数据包的整体表示向量,从而实现基于数据包级而非传统流级的特征表示和分类。

在多个数据集上验证模型性能:在自建的WWT数据集和公开的ISCX数据集上进行实验,并与多种现有方法进行比较,结果表明TFE-GNN在用户行为识别任务中的有效性优于其他方法。

安全学术圈招募队友-ing有兴趣加入学术圈的请联系secdr#qq.com

专题最新征文

期刊征文 | 暗网抑制前沿进展(中文核心)

期刊征文 | 网络攻击分析与研判(CCF T2)

期刊征文 | 域名安全评估与风险预警(CCF T2)

原文链接:https://mp.weixin.qq.com/s/i1RrpveNLMj_kNR3oGIr3g?scene=1