基于SCConv-BiMamba2的加密流量分类OA

针对传统神经网络加密流量分类方法特征提取不全面、忽略流量数据的空间依赖和通道相关性以及只关注单一方向的数据特征等问题,提出了一种名为SCConv-BiMamba2的新型加密流量分类模型。融合空间和通道重建卷积(spatial and channel reconstruction convolution,SCConv)架构中的空间重建单元(spatial reconstruction unit,SRU)和通道重建单元(channel reconstruction unit,CRU),以捕获更为详尽的空间和通道特征;通过引入双向Mamba2(bidirectional Mamba2,BiMamba2)架构,从不同方向学习数据特征,并对重要特征赋予更高权重,从而增强了对关键特征的关注度,提高了加密流量分类的准确性。实验结果表明,在公开数据集ISCX VPN-nonVPN上,SCConv-BiMamba2模型分类准确率比1D-CNN提高9.4百分点,特别是Chat、Email和VoIP等3类流量分类的精确率比1D-CNN分别提高了46%、36%和19%。