Deep Learning for Encrypted Traffic Classification: An Overview
流量分类已经被研究了二十年，并应用于广泛的应用，从服务质量提供和计费在互联网服务提供商的防火墙和入侵检测系统中的安全相关的应用。基于端口的数据包检测和经典的机器学习方法在过去被广泛使用，但由于互联网流量的急剧变化，特别是加密流量的增加，它们的准确性已经下降。随着深度学习方法的普及，研究人员最近研究了这些用于流量分类任务的方法，并报告了高准确性。在本文中，我们介绍了一个基于深度学习的流量分类的通用框架。我们介绍了常用的深度学习方法及其在流量分类任务中的应用。然后，我们讨论了开放的问题和他们的挑战，以及流量分类的机会。
2019-03-09 cs.NI
Stochastic Geometry Analysis of Spatial-Temporal Performance in Wireless Networks: A Tutorial
无线网络的性能从根本上受到聚合干扰的限制，聚合干扰取决于干扰源的空间分布、信道条件和用户业务模式（或干扰动态）。这些因素通常表现出空间和时间的相关性，从而使大规模网络的性能依赖于环境（即，取决于网络拓扑、阻塞的位置等）。可以在协议设计中利用该相关性（例如，频谱、负载、位置、能量感知的资源分配）以提供高效的无线服务。为此，需要精确的系统级性能表征和时空相关性评估。在这种情况下，随机几何模型和随机图技术已被用来开发分析框架，以捕捉在大规模的无线网络中的时空干扰相关性。本文的目的是提供一个教程的随机几何分析的大规模无线网络，捕获的时空干扰相关性（因此信号干扰比（SIR）的相关性）。我们首先讨论了时空性能分析的重要性，不同的参数影响的时空相关性的SIR，和不同的性能指标的时空分析。然后，我们描述的方法来表征不同的网络配置（独立的，有吸引力的，排斥的配置），阴影的情况下，用户的位置，路由行为，中继，重传，和移动性的时空SIR相关性。最后，我们概述了未来的研究方向的背景下，新兴的无线通信场景的时空分析。
2021-08-12 cs.NI
Flow length and size distributions in campus Internet traffic
基于流量的网络机制的效率在很大程度上取决于流量特性，因此应该使用准确的流量模型进行评估。例如，在基于大象流和老鼠流之间的区别的算法的情况下，确保流的长度和大小分布是非常重要的。文献中没有可靠的模型或数据。许多作品只包含粗略地呈现所选流动参数的经验分布的图，而没有提供分布混合模型或任何可重复使用的数值数据。本文的目的是填补这一空白，并提供可重用的模型的流量长度和大小来自真实的交通痕迹。跟踪是在大学校园网络的面向互联网的接口处收集的，包括40亿个第4层流量（275 TB）。这些模型可以用来评估各种流动为导向的解决方案的假设下，现实的条件。此外，本文还提供了一个教程，从流量轨迹构建网络流模型。所提出的方法是通用的，可以应用于任何网络中收集的流量跟踪。我们还提供了一个开源软件框架来分析流迹并将一般混合模型拟合到流迹上。
2020-12-27 cs.NI
Radio-based Traffic Flow Detection and Vehicle Classification for Future Smart Cities
智能交通系统（ITS）提供与车辆相关的统计数据，是未来智慧城市的关键组成部分之一。在这种情况下，关于当前交通流的知识被用于通过智能交通控制机制减少行程时间和主动避免堵塞。此外，车辆的监控和分类可以用于智能停车系统领域。所需的数据使用具有广泛传感器的网络进行测量。尽管如此，在智慧城市的背景下，现有的交通流检测和车辆分类解决方案都无法保证高分类准确性、低部署和维护成本、低功耗以及不受天气影响的操作，同时尊重隐私。在本文中，我们提出了一种基于无线电的方法，用于交通流检测和车辆分类，使用信号衰减测量和机器学习算法。现场综合测试结果表明，该方法分类成功率高达99%左右。
2018-02-21 cs.NI
Online Network Traffic Classification Based on External Attention and Convolution by IP Packet Header
针对传统网络流量分类方法无法兼顾实时性与用户隐私的问题，提出仅利用IP包头的ECM模型，通过外部注意力和卷积提取特征，在两个数据集上分别达到98.39%和95.57%的准确率，满足实时低延迟要求。
2024-01-26 cs.NI
Analyzing Zigbee Traffic: Datasets, Classification and Storage Trade-offs
Politecnico di Milano（米兰理工大学）；University of Bergamo（贝加莫大学）；Xi’an Jiaotong University（西安交通大学）
本文提出ZIOTP2025数据集，研究Zigbee流量分类与存储效率的权衡，揭示拓扑感知分析和特征压缩对物联网取证系统的重要性。
2026-02-03 cs.NI
AC-DC: Adaptive Ensemble Classification for Network Traffic Identification
准确和有效的网络流量分类对于许多网络管理任务（从流量优先级到异常检测）都很重要。虽然使用预先计算的流统计的分类器（例如，分组大小、到达间隔时间）可能是有效的，但是它们可能比基于原始业务（包括分组捕获）的技术具有更低的准确性。过去的工作表示学习为基础的分类器应用于网络流量捕获已被证明是更准确的，但速度较慢，需要相当多的额外的内存资源，由于在功能预处理的大量成本。在本文中，我们探索这种权衡，并开发自适应约束驱动分类（AC-DC）框架，以有效地管理具有不同目标要求的分类器池，旨在提供与复杂的数据包捕获分类器相当的分类性能，同时适应不同的网络流量负载。AC-DC使用自适应调度器来跟踪当前系统内存可用性和传入流量速率，以确定最佳分类器和批量大小，从而在给定内存和处理约束的情况下最大限度地提高分类性能。我们的评估表明，与仅依赖于流统计的分类器相比，AC-DC将分类性能提高了100%以上;与最先进的数据包捕获分类器相比，AC-DC实现了相当的性能（F1分数降低不到12.3%），但处理流量的速度快了150倍以上。
2023-02-23 cs.NI
An Efficient Internet Traffic Classification System Using Deep Learning for IoT
物联网（IoT）定义了连接到互联网并在彼此之间和中央位置之间共享大量数据的设备网络。这些物联网设备连接到网络，因此容易受到攻击。各种管理任务和网络操作，如安全、入侵检测、服务质量配置、性能监控、资源配置和流量工程，都需要流量分类。由于传统的分类方案，如基于端口和基于有效载荷的方法的无效性，研究人员提出了基于机器学习的流量分类系统的基础上浅神经网络。此外，基于机器学习的模型由于不正确的特征选择而倾向于对互联网流量进行错误分类。在这项研究中，提出了一个有效的多层深度学习的分类系统，以克服这些挑战，可以分类互联网流量。为了检验所提出的技术的性能，摩尔数据集用于训练分类器。该方案采用预处理后的数据，并使用深度神经网络（DNN）提取流特征。特别地，最大熵分类器用于对互联网流量进行分类。实验结果表明，提出的混合深度学习算法是有效的，并实现了高精度的互联网流量分类，即，百分之九十九点二三此外，该算法实现了最高的精度相比，支持向量机（SVM）为基础的分类技术和k-最近邻（KNN）为基础的分类技术。
2021-07-26 cs.NI
A review on Deep Neural Network for Computer Network Traffic Classification
本文综述了基于深度神经网络的计算机网络流量分类方法，涵盖恶意与正常流量识别及入侵检测，并比较了多种神经网络架构的准确率。
2022-05-22 cs.NI
FlowCLIP: Contrastive Pretraining Using Domain Names for Encrypted Traffic Classification
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
提出FlowCLIP框架，利用数据包侧信道特征（间隔、大小、方向）和CLIP对比目标对齐流量与域名表示，在QUIC流量数据集上跨周评估，优于基线方法。
2026-08-05 cs.NI
Confidence Driven Classification of Application Types in the Presence of Background Network Traffic
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Universidade do Algarve（阿尔加维大学）
本文提出基于高斯混合模型的分类框架，通过改进深度学习分类器的置信度指示，以更可靠地分类在存在背景网络流量时的应用类型。
2026-02-03 cs.NI
A Federated Semi-Supervised Learning Approach for Network Traffic Classification
网络流量分类是对网络流量进行分类并确定其类型的任务，是提高网络服务质量和管理现代网络的最基本的步骤。经典的机器学习和深度学习方法在网络流量分类领域已经有了很好的发展。然而，仍然存在两大挑战。一是如何保护用户流量数据的隐私，二是现实中很难获取标签数据。在本文中，我们提出了一种新的方法，使用联邦半监督学习的网络流量分类。在我们的方法中，联邦服务器和几个客户机一起工作，训练一个全局分类模型。其中，在客户端使用未标记的数据，在服务器端使用标记的数据。此外，我们使用两种交通子流抽样方法：简单抽样和增量抽样的数据预处理。在QUIC数据集上的实验结果表明，在简单采样和增量采样两种情况下，该方法的分类准确率分别达到91.08%和97.81%。实验结果还表明，我们的方法与集中式训练方法的准确率差距最小，并且能够有效保护用户隐私，不需要大量的标记数据。
2021-07-08 cs.NI
Distillation-Enhanced Clustering Acceleration for Encrypted Traffic Classification
针对加密流量分类中预训练模型推理慢、难适配新型流量的问题，提出NetClus框架，通过聚类友好损失重塑隐空间、蒸馏轻量化模型及启发式聚类加速，实现最高6.2倍提速且分类精度下降低于1%，可识别新型流量。
2025-08-04 cs.NI
Nethira: A Heterogeneity-aware Hierarchical Pre-trained Model for Network Traffic Classification
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
Nethira通过分层重建和增强策略，有效解决网络流量异质性与输入同质性之间的差距，提升流量分类性能。
2026-01-30 cs.NI
TraGe: A Generic Packet Representation for Traffic Classification Based on Header-Payload Differences
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Purple Mountain Laboratories（紫金山实验室）；Nanjing Institute of InforSuperBahn（南京信息高速研究院）
针对现有预训练模型未针对流量数据设计导致表示不充分的问题，提出TraGe模型，基于头部与负载的字节序列差异进行差异化预训练，并引入动态掩码策略，在流量分类任务上性能提升高达6.97%。
2026-06-09 cs.NI
Fine-Grained Network Traffic Classification with Contextual QoS Profiling
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出一种分层图神经网络框架，结合三级图表示与自动化QoS感知分配算法，通过包聚合、时间窗聚类和会话级行为建模捕捉多尺度时间模式，提升服务级别分类精度。
2026-03-17 cs.NI
Tiny Neural Networks for Session-Level Traffic Classification
本文提出基于硬件感知神经架构搜索的会话级流量分类系统，在ISCX VPN-nonVPN数据集上以97.06%准确率实现参数减少超200倍、FLOPs减少近4倍，适用于资源受限终端设备上的防火墙策略执行与流量监控。
2025-05-11 cs.NI
Network Traffic Classification Using Self-Supervised Learning and Confident Learning
针对网络流量标注数据不足及伪标签噪声问题，提出结合SSL（自动编码器或TabCL）与面向流量的CL的分类框架，并在三个数据集上验证其优于现有方法。
2025-09-27 cs.NI
A Survey and Tutorial of Redundancy Mitigation for Vehicular Cooperative Perception: Standards, Strategies and Open Issues
本文综述车载集体感知服务中的冗余缓解技术，对比ETSI新旧标准，提出三种分类方法，并指出开放挑战，为相关研究提供参考。
2025-01-26 cs.NI
PRIME: Plasticity-Robust Incremental Model for Encrypted Traffic Classification in Dynamic Network Environments
针对动态网络中加密流量分类增量任务下模型可塑性下降的问题，提出PRIME框架，通过监测参数有效秩与失活神经元比例动态扩参，在多数据集增量场景中以极小参数量增幅实现性能显著提升。
2025-08-04 cs.NI
Automatic Device Classification from Network Traffic Streams of Internet of Things
随着物联网（IoT）的广泛采用，数十亿日常物品正在连接到互联网。由于规模庞大，有效管理这些设备以支持可靠、安全和高质量的应用变得非常具有挑战性。作为物联网设备管理的关键基石之一，自动跨设备分类旨在通过分析其网络流量来识别设备的语义类型。它有可能支持广泛的新功能，例如增强的安全性（通过施加适当的规则来约束某些类型设备的通信）或物联网应用的上下文感知（通过物联网设备及其高级语义的利用和互操作性）。我们提出了一种自动物联网设备分类方法来识别新的和看不见的设备。该方法使用物联网网络的业务流所携带的丰富信息来表征各种设备的属性。我们首先从原始网络流量中指定一组区分特征，然后提出LSTM-CNN级联模型来自动识别设备的语义类型。我们使用真实世界物联网数据集的实验结果表明，我们提出的方法能够提供令人满意的性能。我们还提出了有趣的见解，并讨论了潜在的扩展和应用。
2018-12-24 cs.NI
One task to rule them all: A closer look at traffic classification generalizability
本研究针对流量分类与网站指纹识别在环境变化下泛化性差的问题，提出评估框架，利用真实TLS数据集模拟分布偏移，发现最佳方案性能仅30%-40%，简单1-NN分类器表现接近，凸显了泛化挑战。
2025-07-08 cs.NI
A Radio-fingerprinting-based Vehicle Classification System for Intelligent Traffic Control in Smart Cities
测量和提供精确和最新的交通相关关键性能指标是未来智慧城市智能交通控制系统的关键要素和关键因素。街道网络被认为是一个高度动态的网络物理系统（CPS），其中测量的信息构成了旨在优化整体系统状态的动态控制方法的基础。除了交通流量和密度等全局系统参数外，个别车辆的速度以及车辆类型信息等特定数据还可以用于高度复杂的交通控制方法，如动态特定类型的车道分配。因此，需要用于获取这些类型的信息的解决方案，并且必须符合从准确性到成本效益到隐私保护的严格要求。在本文中，我们提出了一个系统，用于分类车辆的基础上，他们的无线指纹。与其他方法相比，所提出的系统能够提供实时和精确的车辆分类，以及具有成本效益的安装和维护，隐私保护和天气独立性。系统性能的准确性和资源效率方面进行了评估，在现场使用全面的测量。使用基于机器学习的方法，分类汽车和卡车的成功率超过99%。
2018-06-12 cs.NI
Network Phenotyping for Network Traffic Classification and Anomaly Detection
本文提出了一种基于网络资源使用分析的网络表型机制，并识别异常网络流量。网络表型可以使用网络物理系统（CPS）中的不同度量，包括资源和网络使用监控、物理状态估计。这组设备将通过先进的图像处理和机器学习方法共同决定整个系统的整体视图。在本文中，我们选择的网络流量模式作为一个研究案例，以证明所提出的方法的有效性，而该方法可能同样适用于分类和异常检测的基础上，其他资源指标。我们将图像处理和机器学习应用于网络资源使用，以提取和识别通信模式。表型方法在四个真实世界的分散应用程序上进行了实验。在适当的连续网络资源使用采样长度下，整体识别准确率约为99%。此外，识别错误被用来检测异常网络流量。我们分别模拟了正常网络资源使用量的10%、20%和30%的异常网络资源使用量。实验结果表明，该方法能够有效地检测出网络资源使用异常的各个强度。
2018-03-05 cs.NI
Interference Management Based on RT/nRT Traffic Classification for FFR-Aided Small Cell/Macrocell Heterogeneous Networks
蜂窝网络在支持不断增长的高数据率需求所需的带宽方面不断滞后。系统需要有效地分配其频谱，使得频谱利用率可以最大化，同时确保服务质量（QoS）水平。由于不同类型业务的共存（例如，实时（RT）和非实时（nRT））和不同类型的网络（例如，小小区和宏小区），确保不同类型用户的QoS水平成为无线网络中具有挑战性的问题。分数频率复用（FFR）是提高正交频分多址网络频谱利用率和降低干扰影响的有效方法。在本文中，我们提出了一种新的FFR方案，其中带宽分配是基于RT/nRT流量分类。我们考虑小小区和宏小区的共存。在宏小区中应用FFR技术之后，剩余的频带在被宏小区覆盖的小小区之间被有效地分配。在我们提出的方案中，不同的宏小区的总频带分配决定的基础上的业务强度。基于来自附近频带的干扰水平来控制不同频带的发射功率水平。具有较低干扰水平的频带被分配给RT业务，以确保RT业务的较高QoS水平。宏蜂窝网络中的RT业务呼叫也被赋予比nRT业务呼叫更高的优先级，以确保低呼叫阻塞率。性能分析表明，与传统的FFR方案相比，该方案有显着的改善。
2018-10-05 cs.NI
Exploring Machine Learning for Classification of QUIC Flows over Satellite
由于加密传输信息（例如，在HTTP加密隧道之后），其防止中间结点访问端到端传输报头。本文提出了一种基于自动业务分类的地面和卫星通信混合网络中支持服务质量（QoS）的体系结构。流量配置文件通过机器学习（ML）算法使用QUIC连接的一系列数据包大小和到达时间来构建。因此，所提出的QoS方法不需要路径的显式设置（即，它提供软QoS），而是在网络内采用代理来验证流符合给定的业务简档。一系列ML模型的结果鼓励将ML技术集成到SATCOM设备中。以低成本获得更高的计算能力为这些技术的实现创造了肥沃的土壤。
2022-07-08 cs.NI
Drift-oriented Self-evolving Encrypted Traffic Application Classification for Actual Network Environment
针对互联网应用更新引发特征概念漂移导致分类器快速失效的问题，提出基于 Laida 准则的漂移判定与自演化微调方法，在无标注样本下将 F1 提升 9%，寿命延至八个月以上。
2025-01-08 cs.NI
Binary VPN Traffic Detection Using Wavelet Features and Machine Learning
本研究利用基于小波变换的特征和多种机器学习模型解决二进制 VPN 流量检测问题，发现 Random Forest 在显著不平衡和过滤后的数据集中表现最优，确立了其作为最可靠模型的地位。
2025-08-13 cs.NI
Learning-Based Traffic Classification for Mixed-Critical Flows in Time-Sensitive Networking
本文针对时间敏感网络中流量类型分配的NP难问题，提出基于PPO深度强化学习的TTASelector模型，实验表明其相比禁忌搜索方法能为硬实时和软实时流分配更多流量类型。
2025-03-12 cs.NI
Practical and Configurable Network Traffic Classification Using Probabilistic Machine Learning
本文提出一种基于似然估计的可配置机器学习流量分类方法，仅利用数据包序列统计信息区分已知与未知流量，并支持可调节的确定性水平和多种分类场景，在高性能计算网络真实流量上验证了有效性。
2021-07-10 cs.LG cs.NI
Classification of Traffic Using Neural Networks by Rejecting: a Novel Approach in Classifying VPN Traffic
School of ECE, College of Engineering, University of Tehran（德黑兰大学工程学院电气与计算机工程学院）
在本文中，我们介绍了一种新的端到端的流量分类方法来区分流量类，包括VPN流量在三层的开放系统互连（OSI）模型。由于其加密性质，使用传统分类方法对VPN流量进行分类并不简单。我们利用两个著名的神经网络，即多层感知器和递归神经网络创建我们的级联神经网络集中在两个指标：类分数和类的中心距离。这种方法将提取、选择和分类功能组合到单个端到端系统中，以系统地学习输入和预测性能之间的非线性关系。因此，我们可以通过拒绝VPN类的不相关特征来区分VPN流量和非VPN流量。此外，我们得到的应用类型的非VPN流量在同一时间。该方法是使用一般的流量数据集ISCX VPN-nonVPN，和所获得的数据集进行评估。结果表明，加密流量分类的框架方法的有效性，同时也实现了极高的准确性，$95$百分比，这是高于国家的最先进的模型的准确性，和强大的泛化能力。
2021-12-10 cs.LG cs.NI
Flow-Packet Hybrid Traffic Classification for Class-Aware Network Routing
University of Toronto（多伦多大学）；TELUS（泰勒斯公司）
使用机器学习技术的网络流量分类已经被广泛研究。大多数现有的计划分类整个交通流量，但有很大的局限性，其实用性。在网络路由器上，需要以最小的延迟处理数据包，因此分类器不能等到流结束才做出决定。此外，复杂的机器学习算法可能在计算上过于昂贵而无法在路由器内部实现。在本文中，我们引入流包混合流量分类（FPHTC），其中路由器作出决定，每个数据包的基础上的路由策略，设计通过转移学习的知识，从基于流的分类驻留在路由器之外。我们分析了FPHTC的推广界，并显示其优势，定期基于数据包的流量分类。我们目前的实验结果使用真实世界的流量数据集来说明FPHTC的分类性能。我们表明，它是强大的流量模式的变化，可以部署有限的计算资源。
2021-04-30 cs.LG cs.NI
Building Transparency in Deep Learning-Powered Network Traffic Classification: A Traffic-Explainer Framework
University of Oregon（俄勒冈大学）；University of Oregon, Link Oregon（俄勒冈大学，Link Oregon）
本文提出模型无关的流量解释框架Traffic-Explainer，通过最大化原始与掩码序列预测间的互信息揭示关键特征，在应用分类、流量定位和网络制图中提升深度学习流量分类的透明性，性能较现有方法提升约42%。
2025-09-22 cs.LG cs.NI
Deep Learning and Traffic Classification: Lessons learned from a commercial-grade dataset with hundreds of encrypted and zero-day applications
Huawei Technologies（华为技术有限公司）
机器学习（ML）和深度学习（DL）的日益成功最近重新引发了人们对流量分类的兴趣。虽然已知流量的分类是一个经过充分研究的主题，已知监督分类工具（如ML和DL模型）可以提供令人满意的性能，但未知（或零日）流量的检测更具挑战性，通常由无监督技术（如聚类算法）处理。在本文中，我们分享了我们在商业级DL流量分类引擎上的经验，该引擎能够（i）从加密流量中识别已知应用，以及（ii）处理未知的零日应用。特别是，我们对（i）的贡献是在商业级设置中对最先进的流量分类器进行全面评估，这些流量分类器包括数千个非常细粒度的应用程序标签，与学术评估中通常针对的几十个类别相反。此外，我们通过提出一种新的技术来解决（ii）零日应用程序的检测问题，该技术专为DL模型定制，比现有技术更准确，重量更轻。总结我们的主要发现，我们收集到（i）虽然ML和DL模型都同样能够为已知流量的分类提供令人满意的解决方案，然而（ii）DL主干的非线性特征提取过程为未知类别的检测提供了相当大的优势。
2021-09-27 cs.LG cs.NI
POSMAC: Powering Up In-Network AR/CG Traffic Classification with Online Learning
本文展示 POSMAC1 平台，将 DT 和 RF 模型部署于 NVIDIA DOCA DPU 上，实现 AR 与 CG 流量的实时分类，并优化吞吐量以匹配线路速率。
2025-02-02 cs.DC cs.NI
A First Look at Class Incremental Learning in Deep Learning Mobile Traffic Classification
Huawei Technology France（法国华为技术公司）；University of Napoli Federico II（那不勒斯费德里科二世大学）
最近深度学习（DL）的流行增长重新点燃了对流量分类的兴趣，几项研究证明了基于DL的分类器识别互联网应用流量的准确性。即使在硬件加速器（GPU、TPU）的帮助下，DL模型训练仍然昂贵，并且限制了操作频繁的模型更新的能力，这些更新是适应互联网流量（特别是移动流量）不断变化的性质所必需的。为了解决这个痛点，在这项工作中，我们探索增量学习（IL）技术，在没有完全重新训练的情况下向模型添加新类，从而加快模型的更新周期。我们考虑了iCarl，一种最先进的IL方法，以及MINUS-2019，一个包含40个Android应用程序流量的公共数据集，旨在了解“流量分类中是否存在增量学习的情况”。通过剖析iCarl的内部结构，我们讨论了改进其设计的方法，并提供了一个修订版，即iCarl+。尽管我们的分析揭示了他们的婴儿期，IL技术是一个很有前途的研究领域的路线图自动DL为基础的流量分析系统。
2021-07-09 cs.LG cs.NI
Unsupervised Dataset Cleaning Framework for Encrypted Traffic Classification
Intel Asia-Pacific Research & Development Ltd（英特尔亚太研发有限公司）；Fudan University（复旦大学）
针对加密流量分类中人工数据清洗成本高、耗时长的问题，提出一种无监督自动清洗框架，在真实数据集上仅比人工清洗低2%~2.5%的分类准确率，提供高效预处理方案。
2025-08-31 cs.AI cs.NI
An End-to-End Pipeline Perspective on Video Streaming in Best-Effort Networks: A Survey and Tutorial
本文从端到端流水线视角综述了尽力而为网络中的视频流传输，涵盖采集、处理和分发全阶段，按直觉、理论和机器学习等方法对200多篇论文进行分类，并探讨商业实践与未来方向。
2025-07-15 cs.MM cs.NI
Time-Distributed Feature Learning in Network Traffic Classification for Internet of Things
Ryerson University（瑞尔森大学）
物联网（IoT）设备的过多导致爆炸性的网络流量。网络流量分类（NTC）是探索网络流行为的重要工具，互联网服务提供商（ISP）需要NTC来管理物联网网络的性能。我们提出了一种新的网络数据表示，处理交通数据作为一系列的图像。因此，网络数据被实现为视频流以采用时间分布（TD）特征学习。使用卷积神经网络（CNN）和长短期记忆（LSTM）学习网络统计数据中的时间内信息，并且通过TD多层感知器（MLP）学习流之间的伪时间特征。我们进行实验，使用一个大的数据集与更多的类。实验结果表明，TD特征学习使网络分类性能提高了10%。
2021-09-29 cs.LG cs.NI
IoT-AMLHP: Aligned Multimodal Learning of Header-Payload Representations for Resource-Efficient Malicious IoT Traffic Classification
针对物联网设备资源受限下恶意流量分类的挑战，提出IoT-AMLHP对齐多模态学习框架，通过报头-载荷表示与轻量级深度可分离卷积融合，实现资源高效的恶意流量分类。
2025-04-21 cs.CR cs.NI
Generalized Encrypted Traffic Classification Using Inter-Flow Signals
提出一种直接基于原始 PCAP、利用流间信号捕获跨流时序与包量分布的通用加密流量分类模型，在多任务和多数据集上表现优于成熟方法。
2025-08-29 cs.CR cs.NI
From Emulation to Mathematical: A More General Traffic Obfuscation Approach To Encounter Feature based Mobile App traffic Classification
移动应用程序的使用在这个数字时代是无懈可击的。虽然每天都会产生大量数据，但用户隐私安全问题成为一个重要问题。如今，大量的技术，如机器学习和深度学习流量分类器，已被应用于分析用户的应用程序流量。这些技术允许监控器在用户流量仍然加密的情况下获取使用应用程序的指纹，这会引发严重的隐私问题。为了对抗这种类型的数据分析，人们一直在研究混淆算法，通过修改分组长度分布来混淆基于特征的机器学习分类器与数据伪装。现有的工作通过将流量包长度分布从源应用重新映射到虚假伪装应用来实现这一目标。然而，该解决方案在实际应用中缺乏可扩展性和灵活性，因为该方法需要在使用流量伪装之前对目标虚假应用流量进行预采样。在本文中，我们提出了一种实用的解决方案，通过使用数学模型来计算目标分布，同时保持AppScanner移动流量分类器性能至少50%的准确率下降，以及数据包修改期间产生的大约20%的开销。
2023-02-06 cs.CR cs.NI
Federated Semi-Supervised Classification of Multimedia Flows for 3D Networks
University of Pisa（比萨大学）；CNR, Institute of Informatics and Telematics（意大利国家研究委员会信息学与电信研究所）；CNR, Institute of Information Science and Technologies（意大利国家研究委员会信息科学与技术研究所）
自动业务分类在业务工程中正日益变得重要，因为加密传输信息（例如，在HTTP加密隧道之后）防止中间结点访问端到端分组报头。然而，该信息对于流量整形、网络切片和服务质量（QoS）管理、防止网络入侵和异常检测至关重要。3D网络提供多条路由，可以保证不同级别的QoS。因此，服务分类和分离对于通过适当的网络干线向每个业务子流保证所需的QoS水平是必不可少的。本文提出了一种联合特征选择和特征约简学习方案，以半监督协作方式对网络流量进行分类。3D网络的联合网关有助于增强网络流量的全局知识，以提高异常和入侵检测以及新流量的服务识别的准确性。
2022-05-01 cs.LG cs.NI
Deep Packet: A Novel Approach For Encrypted Traffic Classification Using Deep Learning
Sharif University of Technology（谢里夫理工大学）
随着当前互联网网络和在线应用的快速增长，互联网流量分类变得更加重要。关于这一主题已经有许多研究，导致了许多不同的方法。这些方法中的大多数使用由专家提取的预定义特征来对网络流量进行分类。相比之下，在这项研究中，我们提出了一个\emph{deep learning}为基础的方法，集成了特征提取和分类阶段到一个系统。我们提出的方案，称为“深度分组”，可以处理\emph{traffic characterization}，其中网络流量被分类为主要类别（\eg，FTP和P2P）和应用程序识别，其中最终用户应用程序（\eg，BitTorrent和Skype）的识别是期望的。与目前大多数方法相反，深度数据包可以识别加密流量，并区分VPN和非VPN网络流量。在对数据进行初始预处理阶段之后，数据包被送入深度数据包框架，该框架嵌入了堆栈式自动编码器和卷积神经网络，以便对网络流量进行分类。以CNN为分类模型的深度包实现了应用识别任务中的$0.98$和流量分类任务中的$0.94$的召回。据我们所知，Deep Packet在UNB ISCX VPN-nonVPN数据集上的表现优于所有提出的分类方法。
2018-07-04 cs.CR cs.LG cs.NI
Less is More: Simplifying Network Traffic Classification Leveraging RFCs
本文提出基于 RFC 定义构建极简表格化流量表示 NetMatrix，并结合 XGBoost 实现轻量级分类方法 LiM，在性能媲美 ET-BERT 和 YaTC 等先进方法的同时将资源消耗降低数个数量级。
2025-02-04 cs.CR cs.NI
Primary User Traffic Classification in Dynamic Spectrum Access Networks
本文重点分析研究的主要用户（PU）流量分类问题。观察到伽马分布可以表示正偏斜数据和指数分布（在通信网络性能分析文献中流行），在此将其视为PU业务描述符。我们研究了两个PU流量分类器，利用完美测量的PU活动（繁忙）和不活动（空闲）周期：（i）最大似然分类器（MLC）和（ii）多假设序贯概率比测试分类器（MSPRTC）。然后，放松完美的周期测量的假设，我们考虑通过信道采样的PU流量观察。对于两次采样之间PU状态变化的概率可以忽略的特殊情况，我们提出了一种最小方差PU忙/闲周期长度估计器。随后，放松PU周期长度分布的参数的完整知识的假设，我们提出了两个PU流量分类方案：（i）估计然后分类（ETC），和（ii）平均似然函数（ALF）分类器考虑时域波动的PU流量参数。数值结果表明，当分布假设之间的距离较小时，MLC和MSPRTC对周期测量误差敏感;当分布假设之间的距离较大时，MLC和MSPRTC对分布参数估计误差敏感。对于PU交通参数的分布的部分先验知识，ETC优于ALF时，假设之间的距离是小的，而相反的情况下，当距离大。
2014-09-03 cs.NI cs.PF
Network Traffic Classification based on Single Flow Time Series Analysis
Czech Technical University in Prague（布拉格捷克理工大学）；CESNET, a.l.e.（捷克教育科研网络协会（a.l.e.））
针对IP流聚合导致信息丢失的问题，本文提出基于单流时间序列分析的69个通用流量特征，在15个公开数据集上验证，其分类性能在多数任务中优于或持平现有方法，最高提升5%。
2023-07-25 cs.LG cs.NI
Towards a Transformer-Based Pre-trained Model for IoT Traffic Classification
University of São Paulo（圣保罗大学）；KFUPM（法赫德国王石油和矿产大学）
针对IoT流量数据稀缺导致深度学习模型表现不佳的问题，提出基于TabTransformer的预训练模型ITCT，通过大型MQTT数据集预训练并支持小样本微调，实现82%的准确率，显著优于现有方法。
2024-07-26 cs.AI cs.NI
The Channel as a Traffic Sensor: Vehicle Detection and Classification based on Radio Fingerprinting
普遍部署的基于物联网（IoT）的自动车辆分类系统将促进未来智慧城市中数据驱动的交通流优化，并将道路基础设施本身转变为动态感知的网络物理系统（CPS）。尽管已经提出了各种不同的交通感测系统，但是现有的解决方案还不能同时满足多种要求，例如，准确性、鲁棒性、成本效益和隐私保护。在本文中，我们提出了一种新的方法，它利用无线电指纹-无线信号的多维衰减模式-准确和强大的车辆检测和分类。拟议的系统可以部署在一个非常具有成本效益的方式，因为它依赖于现成的嵌入式设备，安装到现有的轮廓柱。在一个全面的现场评估活动中，基于无线电指纹识别的方法的性能进行了分析，在德国高速公路上的实验性现场部署，在那里它能够实现超过99%的二进制分类成功率和93.83%的总体准确率为7个不同类别的分类任务。
2020-03-25 cs.NI eess.SP
Deep Learning Approaches for Network Traffic Classification in the Internet of Things (IoT): A Survey
Mehran University of Engineering and Technology（梅赫兰工程与技术大学）
本综述系统梳理了面向物联网环境的深度学习网络流量分类方法，分析了各类模型的优劣与挑战，并指出了未来研究方向。
2024-02-01 cs.CR cs.LG cs.NI
Adversarial Pre-Padding: Generating Evasive Network Traffic Against Transformer-Based Classifiers
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出了一种对抗性预填充方法，通过预填充策略和强化学习优化，有效对抗基于变换器的流量分类器，实验显示其能显著降低分类准确率。
2025-12-24 cs.CR cs.NI
Non-uniformity is All You Need: Efficient and Timely Encrypted Traffic Classification With ECHO
The Hebrew University（希伯来大学）；Tel Aviv University（特拉维夫大学）；Princeton University（普林斯顿大学）
针对加密流量分类的效率与延迟问题，本文提出包含非均匀分箱超参数优化和级联早期分类的ECHO框架，在公开数据集上实现延迟最高降90%，同时维持甚至提升准确率。
2024-07-09 cs.CR cs.LG cs.NI
Deep Learning for Network Traffic Classification
Columbia University（哥伦比亚大学）
监视网络流量以识别内容、服务和应用是网络流量控制系统中的活跃研究主题。虽然现代防火墙提供了解密数据包的能力，但这对隐私倡导者没有吸引力。因此，从加密流量中识别任何信息是一项具有挑战性的任务。尽管如此，以前的工作已经确定了可以实现应用程序和服务识别的机器学习方法。该过程涉及从网络分组数据中提取高级特征提取，然后训练用于流量识别的鲁棒机器学习分类器。我们提出了一种分类技术，使用集成的深度学习架构的数据包，有效载荷和到达时间间隔序列。据我们所知，这是第一次将这种深度学习架构应用于服务器名称指示（SNI）分类问题。我们的集成模型击败了最先进的机器学习方法，我们最新的模型可以在github上找到：\url{https://github.com/niloofarbayat/NetworkClassification}
2021-06-02 cs.CR cs.LG cs.NI
DataZoo: Streamlining Traffic Classification Experiments
FIT CTU（捷克技术大学信息技术学院）；CESNET（捷克教育科研网）
针对网络流量分类缺乏标准基准与工具的问题，本文提出 DataZoo，通过统一 API、三大数据集及考虑时间和服务因素的划分与缩放方法，提升实验复现与方法可比性。
2023-10-30 cs.LG cs.NI
