加密恶意流量检测模型

F1值0.903–0.929

融合注意力机制与图嵌入学习，在加密流量中捕捉通信节点间的复杂关系，检测性能超越现有方法。

Junhao, Liu · 邵国林 · 饶泓 · 李向军 · Huang, Xuan

Applied Sciences (Switzerland) 2024

参数信息

F1分数

0.903–0.929

F1分数提升

5.3% through 22.8%

技术优势

检测更准

与现有最优方法相比，F1分数最高可达0.929。

提升明显

相比传统方法，F1分数提升5.3%至22.8%，无需人工特征工程。

自动抓关系

利用图神经网络自动捕获通信节点间的复杂关系，无需预先计算统计特征。

应用场景

• 网络安全：实时识别加密流量中的恶意行为，加固网络防线。
• 加密流量分析：从加密流量中提取语义信息，无需解密即可分析。
• 恶意流量检测：以高F1分数自动发现恶意流量，降低漏报。
• 入侵检测系统：提升入侵检测系统对加密攻击的识别能力。