Enhancing Encrypted Internet Traffic Classification Through Advanced Data Augmentation Techniques

随着在线服务的日益普及，网络流量分类成为了一项关键的研究领域。然而，互联网协议和加密技术的快速发展限制了可用数据的可用性。本文解决了分类加密网络流量的挑战，重点关注开源数据集的稀缺性和现有数据集的限制。我们提出了两种数据增强（DA）技术，基于真实样本合成数据：平均增强和MTU增强。这两种增强旨在从不同的角度提高分类器的性能：平均增强旨在通过生成新的合成样本来增加数据集的大小，而MTU增强则增强了分类器对不同最大传输单元（MTUs）的鲁棒性。我们在两个知名的学术数据集和一个商业数据集上进行的实验表明，这些方法在改善模型性能和缓解与有限和同质数据集相关的限制方面是有效的。我们的发现强调了数据增强在解决现代互联网流量分类挑战方面的潜力。具体而言，我们展示了我们的增强技术显著提高了加密流量分类模型的性能。这种改进可以通过更准确地将流量分类为视频流媒体（例如YouTube）或聊天（例如Google Chat）来积极影响用户体验质量（QoE）。此外，它可以增强文件下载活动（例如Google Docs）的服务质量（QoS）。

本文旨在解决加密网络流量分类的挑战，主要集中在开源数据集的稀缺性和现有数据集的局限性。

本文提出了两种数据增强技术：平均值增强和MTU增强，以合成基于真实样本的数据。实验证明这些方法可以显著提高加密流量分类模型的性能。

本文的实验结果表明，数据增强技术可以有效提高加密流量分类模型的性能，有助于提高用户体验和服务质量。实验使用了两个公开数据集和一个商业数据集，并展示了数据增强技术的有效性。值得深入研究的是如何进一步提高加密流量分类的精度和鲁棒性。

最近的相关研究包括：《基于深度学习的加密流量分类综述》、《使用数据增强技术提高网络流量分类的准确性》等。