Efficient Malicious Encrypted Traffic Detection via Multi-Scale Convolution-Augmented Transformer: The NetFlowClassifier Approach

加密 计算机科学 判别式 联营 数据挖掘 特征提取 预处理器 人工智能 编码器 交通分类 钥匙(锁) 卷积神经网络 特征(语言学) 稳健性(进化) 互联网流量 二进制数 入侵检测系统 模式识别(心理学) 自编码 机器学习 混淆 互联网 计算机网络 利用 掉期(金融) 流量分析 人工神经网络 信息隐私 恶意软件 深包检验 卷积(计算机科学) 分类器(UML) 支持向量机 二进制代码 二元分类
作者
Zongbao Wang,Juan Fu,Zhili Ma,Zhiru Li,Mingming Xiang
出处
期刊: 卷期号:: 104-108
标识
DOI:10.1109/iccece69169.2026.11399795
摘要

With the widespread adoption of encryption technologies, an increasing proportion of Internet traffic is encrypted, which fundamentally weakens traditional traffic inspection mechanisms. Existing port-based and payload-based detection methods have become ineffective, while approaches relying on handcrafted features suffer from limited discriminative capability and poor generalization. To address the problem of malicious encrypted traffic identification, this paper proposes a lightweight hybrid model named NetFlowClassifier, together with a targeted data preprocessing pipeline. An encrypted traffic dataset is first constructed from CSE-CIC-IDS2018 for binary classification of benign and malicious flows. The proposed model integrates multi-scale depthwise separable convolution and an improved Transformer encoder to jointly capture local discriminative patterns and long-range dependencies. In addition, learnable feature position encoding and attention-weighted pooling are introduced to enhance feature representation. Experimental results show that NetFlowClassifier achieves an F1-score of 0.9661, outperforming baseline CNN and Transformer models by 1.8%–3.2%. With 11.2 million parameters and a throughput of 128 samples per second, the model effectively balances detection accuracy and computational efficiency. These results demonstrate the effectiveness of the proposed approach for malicious encrypted traffic detection in modern network environments.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
幸福妙柏完成签到 ,获得积分10
刚刚
宁静的夏天的应助被学不可以已采纳,获得500
3秒前
Chaowei_L完成签到,获得积分10
4秒前
海布里的风完成签到 ,获得积分10
7秒前
王大发完成签到,获得积分10
7秒前
沉默的元枫完成签到,获得积分10
10秒前
tt完成签到,获得积分10
10秒前
乐观的自行车完成签到 ,获得积分10
11秒前
Hansky完成签到,获得积分10
12秒前
乖咪甜球球完成签到 ,获得积分10
15秒前
季末默相依完成签到,获得积分10
16秒前
18秒前
yiyi完成签到 ,获得积分10
18秒前
活力的鹰完成签到 ,获得积分10
18秒前
sea完成签到 ,获得积分10
20秒前
wzk完成签到,获得积分10
22秒前
linpeng发布了新的文献求助10
23秒前
LaixS完成签到,获得积分0
24秒前
要笑cc完成签到,获得积分0
26秒前
顺心妙之完成签到 ,获得积分10
26秒前
dktrrrr完成签到,获得积分10
27秒前
宣宣宣0733完成签到,获得积分0
28秒前
胡质斌完成签到,获得积分0
30秒前
维C完成签到 ,获得积分10
31秒前
大明发布了新的文献求助10
33秒前
CX完成签到,获得积分10
34秒前
34秒前
华仔的应助被科研通管家采纳,获得10
35秒前
NexusExplorer的应助被科研通管家采纳,获得10
35秒前
35秒前
不安碧灵完成签到,获得积分10
38秒前
linpeng完成签到,获得积分10
38秒前
宋艳芳完成签到,获得积分10
41秒前
快乐的幼丝完成签到 ,获得积分0
41秒前
香蕉觅云的应助被大明采纳,获得10
42秒前
CHEN完成签到 ,获得积分10
45秒前
驰骋完成签到 ,获得积分10
46秒前
maple完成签到 ,获得积分10
46秒前
阿冰完成签到 ,获得积分10
47秒前
酷炫映阳完成签到 ,获得积分10
48秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
Social Psychology in the Real World 600
八旗制度の研究 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8180084
求助须知:如何正确求助?哪些是违规求助? 9570224
关于积分的说明 21808758
捐赠科研通 7776098
什么是DOI,文献DOI怎么找? 3433261
关于科研通互助平台的介绍 2557454
邀请新用户注册赠送积分活动 2479012