欧美在线观看日本一区,欧美少妇一区,激情欧美一区二区三区中文字幕

基于时空融合异质图神经网络的加密流量分类方法

网络安全与数据治理

张祝育，高丽婷

河北建筑工程学院信息工程学院

摘要： 针对现有图神经网络加密流量分类模型对图结构质量高度敏感、未区分数据包头部与载荷功能差异，导致分类精度受限的问题，提出一种基于时空融合异质图神经网络的加密流量分类方法。该方法基于点间互信息构建字节级异质图，通过图采样与聚合网络提取拓扑特征，结合双向长短期记忆网络捕捉流量时序规律，设计交叉门控机制实现特征自适应融合。在ISCX TornonTor公开数据集上的实验结果表明，该方法分类准确率达91.35%，综合性能优于主流基线模型，可为加密流量精细化管控提供支撑。

關鍵詞： 加密流量分类图神经网络时空特征融合异质图构建交叉门控融合

中圖分類號：TP309；TP393文獻標志碼：ADOI:10.19358/j.issn.2097-1788.2026.07.002中文引用格式：張祝育，高麗婷.基于時空融合異質圖神經網絡的加密流量分類方法［J］.網絡安全與數據治理，2026，45（7）：9-15.
英文引用格式：Zhang Zhuyu，Gao Liting. STMGraphSAGE based encrypted traffic classification method［J］.Cyber Security and Data Governance，2026，45（7）：9-15.

STM-GraphSAGE based encrypted traffic classification method

Zhang Zhuyu，Gao Liting

Hebei Key Laboratory of Smart City Perception and Intelligent Computing， College of Information Engineering，Hebei University of Architecture

Abstract： To address the problem that existing graph neural networkbased encrypted traffic classification models are highly sensitive to the quality of graph structure and fail to distinguish the functional differences between packet headers and payloads, which leads to limited classification accuracy, this paper proposes an encrypted traffic classification method based on a spatiotemporal fusion heterogeneous graph neural network. This method constructs bytelevel heterogeneous graphs via pointwise mutual information, extracts topological features through the graph sample and aggregate network, captures the temporal patterns of traffic with a bidirectional long shortterm memory network, and designs a crossgated mechanism to realize adaptive feature fusion. Experimental results on the public ISCX TornonTor dataset demonstrate that the proposed method achieves a classification accuracy of 91.35%, outperforms mainstream baseline models in comprehensive performance, and can provide support for the refined management and control of encrypted traffic.

Key words : encrypted traffic classification; graph neural networks; spatio-temporal feature fusion; heterogeneous graph construction; cross-gated feature fusion

引言

隨著加密技術的廣泛普及，流量加密在保障用戶通信隱私的同時，也為惡意流量隱匿提供了可乘之機，給網絡安全管控帶來嚴峻挑戰［1］。加密流量分類是網絡安全防護的重要技術。現有基于深度學習的加密流量分類方法主要分為序列建模與圖建模兩大范式。其中，以卷積神經網絡(Convolution Neural Network,CNN)、長短期記憶網絡(Long ShortTerm Momory,LSTM)為代表的序列模型雖實現了端到端分類［2］，但受限于一維序列的建模約束，無法挖掘流量字節間的全局拓撲關聯［3］。以圖神經網絡(Graph Neural Network, GNN)為代表的圖建模方法雖彌補了序列模型的拓撲特征挖掘短板［4］，但仍存在語義區分不足［5］、特征融合機制簡單［6］兩大核心瓶頸，在高匿名加密流量的細粒度分類場景中性能受限。

針對上述問題，本文提出一種基于圖采樣與聚合（Graph Sample and Aggregate, GraphSAGE)網絡與雙向長短期記憶網絡（Bidirectional LSTM, BiLSTM）的時空融合異質圖加密流量分類模型(SpatioTemporal Fusion Heterogeneous Graph Model for Encrypted Traffic Classification Based on GraphSAGE，STMGraphSAGE)。本文的主要貢獻如下：

(1)基于點間互信息構建數據包頭部與載荷的字節級異質子圖，配套雙重獨立嵌入層，解決了現有同質圖建模對兩類數據功能差異區分不足的問題，有效降低了圖結構噪聲干擾。

(2)設計時空特征協同提取架構，通過GraphSAGE與BiLSTM分別提取流量空間拓撲特征與時序演化規律，引入跳躍知識機制緩解圖神經網絡過平滑問題，實現時空特征的高效互補提取。

(3)提出交叉門控自適應特征融合機制，實現頭部與載荷特征的交叉篩選與自適應融合，解決了傳統特征拼接的交互不足問題，顯著提升了流量特征的判別能力。

本文詳細內容請下載：

http://m.tom3567.com/resource/share/2000007155

作者信息：

張祝育，高麗婷

(河北建筑工程學院信息工程學院河北省智慧城市感知與智能計算重點實驗室，河北張家口075000)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容