文章详情

摘要

针对现有基于深度学习的铁路网络恶意流量检测方法引入自然语言处理技术时，忽视数据包间非等距时序特性的问题，文章提出时距旋转位置编码方法。该方法将数据包时间戳经归一化、对数分桶及可学习参数调制，融入旋转位置编码的旋转角，使Transformer模型感知数据包间真实时间间隔。基于此构建TDRoPE-MS恶意流量检测模型，并建立含4种典型网络攻击的场景数据集RW-Malware&Normal。实验表明，该模型在CIC-IDS2017数据集上准确率达98.5%，较ViT基准模型提升0.6个百分点；在ISOT不平衡数据集上F1值达98.6%。该方法解决了序列等距假设与网络流量非等距特性的不匹配问题，提升了检测精度，为铁路网络安全防护提供新途径。

关键词

网络安全；恶意流量检测；深度学习；时序感知编码

参考文献

1. [1] Dainotti A，Pescape A，Claffy K C. Issues and Future Directions in Traffic Classification [J].IEEE Network，2012，26（1）：35-40.
2. [2] Qi Y，Xu L，Yang B，et al. Packet Classification Algorithms: From Theory to Practice [C]//IEEE INFOCOM 2009，2009：648-656.
3. [3] 王远帆，施勇，薛质.基于决策树的端口扫描恶意流量检测研究 [J].通信技术，2020，53（8）：2002-2005.
4. [4] Yamansavascilar B，Guvensan MA，Yavuz AG，et al. Application Identification via Network Traffic Classification [C]//2017 International Conference on Computing, Networking and Communications (ICNC)，2017：843-848.
5. [5] Wang W，Zhu M，Zeng X W，et al. Malware Traffic Classification Using Convolutional Neural Network for Representation Learning [C]//2017 International Conference on Information Networking (ICOIN)，2017：712-717.
6. [6] 郭三田，柳毅.一种类平衡和CNN结合的网络入侵检测方法 [J].计算机应用与软件，2023，40（7）：326-332.
7. [7] 张锐.面向车联网的基于卷积神经网络的入侵检测模型 [J].电信科学，2024，40（12）：51-62.
8. [8] 龚星宇，来源，李娜，等.基于多尺度融合和时空特征的网络入侵检测模型 [J].计算机工程与设计，2024，45（6）：1640-1646.
9. [9] Liu S Q，Han Y N，Hu Y J，et al. FA-net: Attention-based Fusion Network For Malware HTTPs Traffic Classification [C]//2021 IEEE Symposium on Computers and Communications (ISCC)，2021：1-7.
10. [10] Lin X J，Xiong G，Gou G P，et al. ET-BERT: A Contextualized Datagram Representation with Pre-training Transformers for Encrypted Traffic Classification [C]//Proceedings of the ACM Web Conference 2022，2022：633-642.
11. [11] 金彦亮，陈彦韬，高塬，等.基于注意力时间卷积网络的加密流量分类 [J].应用科学学报，2024，42（4）：659-672.
12. [12] Vaswani A，Shazeer N，Parmar N，et al. Attention Is All You Need [J/OL].arXiv:1706.03762 [cs.CL].https://doi.org/10.48550/arXiv.1706.03762.
13. [13] Xie G R，Li Q，Jiang Y，et al. SAM: Self-Attention based Deep Learning Method for Online Traffic Classification [C]/NetAI '20: Proceedings of the Workshop on Network Meets AI & ML，2020：14-20.
14. [14] Raffel C， Shazeer N，Roberts A，et al. Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer [J].Journal of Machine Learning Research，2020，21（140）：1-67.
15. [15] 刘静宇.基于比特对齐和相对时延位置编码的恶意流量检测技术研究 [D].郑州：郑州大学，2024.
16. [16] Marín G，Caasas P，Capdehourat G. DeepMAL - Deep Learning Models for Malware Traffic Detection and Classification [C]//Proceedings of the 3rd International Data Science Conference-iDSC2020，2021：105-112.
17. [17] Liu Z，Xie Y Y，Luo Y Y，et al. TransECA-Net: A Transformer-Based Model for Encrypted Traffic Classification [J/OL].Applied Sciences，2025，15（6）：2977.https://doi.org/10.3390/app15062977.
18. [18] Machmeier S，Hoecker M，Heuveline V. Explainable Artificial Intelligence for Improving a Session-Based Malware Traffic Classification with Deep Learning [C]//2023 IEEE Symposium Series on Computational Intelligence (SSCI)，2023：850-855.

基金项目

中央高校基本科研业务经费项目（2025TJJBKY031）

作者简介

刘静宇（1996—），男，汉族，河南郑州人，助教，硕士研究生，研究方向：网络安全、人工智能。