基于深度学习的加密流量识别研究综述及展望

在安全和隐私保护需求的驱动下，网络通信加密化已经成为不可阻挡的趋势。加密网络流量呈现爆炸增长，给流量审计与网络空间治理带来了挑战。尽管机器学习已解决了部分加密流量识别的问题，但仍存在无法自动提取特征等局限。深度学习可以自动提取更本质、更有效的特征，已被用于加密流量识别，并取得了高精度。基于深度学习的加密流量识别的相关研究工作，提出基于深度学习的加密流量识别的框架，并通过数据集、特征构造和模型架构回顾部分研究工作，分析基于深度学习的加密流量识别面临的挑战。

内容目录：

0　引　言

1　加密流量识别的定义

1.1　识别目的

1.1.1　识别加密流量

1.1.2　识别加密协议

1.1.3　识别加密应用

1.1.4　识别恶意加密流量

1.1.5　识别加密流量内容

1.2　识别性能

1.3　加密流量数据集

1.3.1　选择公共数据集

1.3.2　收集原始数据

2　深度学习的加密流量识别框架

2.1　数据预处理

2.1.1　数据包过滤或报头去除

2.1.2　数据包填充与截断

2.1.3　数据归一化

2.2　特征提取

2.2.1　原始数据包数据

2.2.2　流量特征

2.2.3　原始数据和流量特征的组合

2.3　模型架构

2.3.1　多层感知器

2.3.2　卷积神经网络

2.3.3　循环神经网络

2.3.4　自编码器

3　挑战与展望

3.1　现存挑战

3.1.1　新型加密协议的出现

3.1.2　加密流量的标注

3.1.3　加密流量的分布

3.2　未来可能的方向</