基于时空融合异质图神经网络的加密流量分类方法-AET-电子技术应用

基于时空融合异质图神经网络的加密流量分类方法

网络安全与数据治理

张祝育，高丽婷

河北建筑工程学院信息工程学院

摘要： 针对现有图神经网络加密流量分类模型对图结构质量高度敏感、未区分数据包头部与载荷功能差异，导致分类精度受限的问题，提出一种基于时空融合异质图神经网络的加密流量分类方法。该方法基于点间互信息构建字节级异质图，通过图采样与聚合网络提取拓扑特征，结合双向长短期记忆网络捕捉流量时序规律，设计交叉门控机制实现特征自适应融合。在ISCX TornonTor公开数据集上的实验结果表明，该方法分类准确率达91.35%，综合性能优于主流基线模型，可为加密流量精细化管控提供支撑。

关键词： 加密流量分类图神经网络时空特征融合异质图构建交叉门控融合

中图分类号：TP309；TP393文献标志码：ADOI:10.19358/j.issn.2097-1788.2026.07.002中文引用格式：张祝育，高丽婷.基于时空融合异质图神经网络的加密流量分类方法［J］.网络安全与数据治理，2026，45（7）：9-15.
英文引用格式：Zhang Zhuyu，Gao Liting. STMGraphSAGE based encrypted traffic classification method［J］.Cyber Security and Data Governance，2026，45（7）：9-15.

STM-GraphSAGE based encrypted traffic classification method

Zhang Zhuyu，Gao Liting

Hebei Key Laboratory of Smart City Perception and Intelligent Computing， College of Information Engineering，Hebei University of Architecture

Abstract： To address the problem that existing graph neural networkbased encrypted traffic classification models are highly sensitive to the quality of graph structure and fail to distinguish the functional differences between packet headers and payloads, which leads to limited classification accuracy, this paper proposes an encrypted traffic classification method based on a spatiotemporal fusion heterogeneous graph neural network. This method constructs bytelevel heterogeneous graphs via pointwise mutual information, extracts topological features through the graph sample and aggregate network, captures the temporal patterns of traffic with a bidirectional long shortterm memory network, and designs a crossgated mechanism to realize adaptive feature fusion. Experimental results on the public ISCX TornonTor dataset demonstrate that the proposed method achieves a classification accuracy of 91.35%, outperforms mainstream baseline models in comprehensive performance, and can provide support for the refined management and control of encrypted traffic.

Key words : encrypted traffic classification; graph neural networks; spatio-temporal feature fusion; heterogeneous graph construction; cross-gated feature fusion

引言

随着加密技术的广泛普及，流量加密在保障用户通信隐私的同时，也为恶意流量隐匿提供了可乘之机，给网络安全管控带来严峻挑战［1］。加密流量分类是网络安全防护的重要技术。现有基于深度学习的加密流量分类方法主要分为序列建模与图建模两大范式。其中，以卷积神经网络(Convolution Neural Network,CNN)、长短期记忆网络(Long ShortTerm Momory,LSTM)为代表的序列模型虽实现了端到端分类［2］，但受限于一维序列的建模约束，无法挖掘流量字节间的全局拓扑关联［3］。以图神经网络(Graph Neural Network, GNN)为代表的图建模方法虽弥补了序列模型的拓扑特征挖掘短板［4］，但仍存在语义区分不足［5］、特征融合机制简单［6］两大核心瓶颈，在高匿名加密流量的细粒度分类场景中性能受限。

针对上述问题，本文提出一种基于图采样与聚合（Graph Sample and Aggregate, GraphSAGE)网络与双向长短期记忆网络（Bidirectional LSTM, BiLSTM）的时空融合异质图加密流量分类模型(SpatioTemporal Fusion Heterogeneous Graph Model for Encrypted Traffic Classification Based on GraphSAGE，STMGraphSAGE)。本文的主要贡献如下：

(1)基于点间互信息构建数据包头部与载荷的字节级异质子图，配套双重独立嵌入层，解决了现有同质图建模对两类数据功能差异区分不足的问题，有效降低了图结构噪声干扰。

(2)设计时空特征协同提取架构，通过GraphSAGE与BiLSTM分别提取流量空间拓扑特征与时序演化规律，引入跳跃知识机制缓解图神经网络过平滑问题，实现时空特征的高效互补提取。

(3)提出交叉门控自适应特征融合机制，实现头部与载荷特征的交叉筛选与自适应融合，解决了传统特征拼接的交互不足问题，显著提升了流量特征的判别能力。

本文详细内容请下载：

http://www.chinaaet.com/resource/share/2000007155

作者信息：

张祝育，高丽婷

(河北建筑工程学院信息工程学院河北省智慧城市感知与智能计算重点实验室，河北张家口075000)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容