Resumen

El desarrollo de Internet ha llevado a la complejidad del tráfico encriptado en las redes. Identificar las clases específicas de tráfico encriptado en la red es una parte importante para mantener la seguridad de la información. La clasificación tradicional del tráfico basada en el aprendizaje automático requiere en gran medida experiencia experta. Como modelo de extremo a extremo, las redes neuronales profundas pueden minimizar la intervención humana. Este artículo propone el modelo CLD-Net, que puede distinguir de manera efectiva el tráfico encriptado en la red. Al segmentar y recombinar la carga útil del paquete del flujo crudo, puede extraer automáticamente las características relacionadas con la carga útil del paquete, y al cambiar la expresión del intervalo del paquete, integra la información del intervalo del paquete en el modelo. Utilizamos la capacidad de la Red Neuronal Convolucional (CNN) para distinguir clases de imágenes, aprender y clasificar las imágenes en escala de grises en las que se ha preprocesado el flujo crudo, y luego utilizamos la eficacia de la red Long

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Internet; Tráfico cifrado en red; Redes neuronales profundas; Modelo CLD-Net; Red neuronal convolucional (CNN); Memoria a largo plazo (LSTM)
• Keywords:Internet; Network encrypted traffic; Deep neural networks; CLD-Net model; Convolutional Neural Network (CNN); Long Short-Term Memory (LSTM)