Non-uniformity is All You Need: Efficient and Timely Encrypted Traffic Classification With ECHO

目前，由于95%的互联网流量都被加密，因此对于加密流量的分类，采用有效的方法对于网络安全和管理至关重要。本文介绍了一种新颖的优化过程ECHO，用于基于ML/DL的加密流量分类。ECHO旨在同时解决分类时间和内存利用率，并结合了两种创新技术。 第一个组件HO（binnings的超参数优化）旨在创建高效的流量表示。之前的研究通常使用将数据包大小和数据包到达时间映射到固定大小的bins的表示方法，而我们表明，非均匀的bins更为高效。这些非均匀的bins是通过在训练阶段使用超参数优化算法得出的。HO显著提高了给定表示大小的准确性，或者等效地使用更小的表示实现了相当的准确性。 然后，我们引入了EC（traffic的早期分类），它通过适应不同退出时间的分类器级联，使分类更快，其中分类基于置信度水平。EC将平均分类延迟降低了高达90％。值得注意的是，这种方法不仅保持了分类准确性，而且在某些情况下还提高了准确性。 通过使用三个公开可用的数据集，我们证明了早期分类与超参数优化（ECHO）的组合方法可以显著提高分类效率。

如何有效分类加密流量已成为网络安全和管理的重要问题。本文提出了一种新的ML/DL加密流量分类优化过程ECHO，旨在提高分类效率和内存利用率。

ECHO包括两种创新技术：使用超参数优化算法得出非均匀分箱以提高流量表示效率的HO和使用级别置信度的分类器级联实现更快分类的EC。

实验表明，ECHO方法在三个公开数据集上都显著提高了分类效率。EC技术不仅可以降低平均分类延迟，还可以提高分类准确性。

最近的相关研究包括：《A Survey of Encrypted Traffic Classification Techniques》、《Deep Packet: A Novel Approach for Encrypted Traffic Identification with Deep Learning》等。