联邦加密流量分类中的细粒度防御方法OA北大核心CSTPCD

为了避免异常流量对联邦加密流量分类模型造成危害,研究者们提出了多种鲁棒算法和防御方案。已有方法通过移除异常模型的所有流量来提高鲁棒性。但这种清除节点所有流量的方法是一种粗粒度的防御方法。粗粒度的防御会造成正常流量损失和防御过当的问题。为避免上述问题,结合协作式联邦加密流量分类框架,提出清除异常流量的一种细粒度防御方法。该方法首先通过高效划分异常节点的本地数据集来缩小异常流量的搜索范围,实现细粒度定位异常节点的流量;然后在模型聚合时通过清除异常流量来降低正常流量损失,实现细粒度防御,解决防御过当问题。实验结果表明,与已有防御方案相比,提出的细粒度防御方法可以在不影响准确率的前提下,显著提高模型检测效率。所提出的细粒度防御方法检测准确率可以达到约91.4%,且检测效率与已有方法相比提高了约32.3%。