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

目前，由于95％的互联网流量都是加密的，因此有效的分类方法对于网络安全和管理至关重要。本文介绍了ECHO——一种基于ML / DL的加密流量分类的新型优化过程。ECHO旨在同时优化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。以往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中的表示方法，但我们发现非均匀的binnings更为高效。这些非均匀的binnings是通过在训练阶段使用超参数优化算法来得出的。HO可显著提高在所需表示大小下的准确性，或者等效地使用更小的表示来实现相似的准确性。 然后，我们介绍了EC（流量的早期分类），它使用适用于不同退出时间的分类器级联来实现更快的分类，其中分类基于置信度水平。 EC将平均分类延迟降低了多达90％。值得注意的是，这种方法不仅维持了分类准确性，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）的结合方法可以显著提高分类效率。

如今95%的互联网流量都是加密的，因此有效的加密流量分类方法对于网络安全和管理至关重要。本文旨在引入一种新的优化过程，即ECHO，用于基于ML/DL的加密流量分类。

ECHO包含两种创新技术：HO和EC。HO通过超参数优化算法在训练阶段得到非均匀分箱，从而提高了分类准确性并实现了更小的表示尺寸。EC则通过级联分类器的方式实现早期分类，从而大大降低了分类延迟并保持了准确性。

本文使用三个公开数据集进行了实验，证明了ECHO方法在分类效率方面的显著改进。值得关注的是，EC方法不仅保持了分类准确性，还在某些情况下提高了准确性。此外，本文还介绍了实验设计和开源代码。

最近的相关研究包括：《A Survey of Machine Learning for Network Security》、《Deep Packet: A Novel Approach for Encrypted Traffic Identification Using Deep Learning》等。