近日，SIAT云计算研究中心团队针对加密流量识别取得新突破，提出了一种多模态端到端加密网络流量识别算法，相关论文成果“A Novel Multimodal Deep Learning Framework for Encrypted Traffic Classification”发表于计算机网络领域最负盛名的期刊IEEE/ACM Transactions on Networking。论文第一作者是叶可江老师指导的硕士生林鹏，通讯作者是叶可江研究员。
流量识别是云计算、分布式系统和网络管理中的基础性问题，对提高网络系统管理水平和维护网络安全等具有重要意义，被广泛应用在资源管理、流量规划、网络路由、入侵检测等领域中。据谷歌统计，目前Chrome中加载的页面中有99%启用了HTTPS加密，Gartner也预计2022年约有70%的网络攻击进行了流量加密，加密技术的普及无疑给流量识别带来了新的挑战。本工作针对SSL/TLS加密流量，对网络数据包原始流量进行深入研究，提出了一种新的高效、准确的加密流量应用识别方法，具有重要的理论价值和应用价值。IEEE/ACM Transactions on Networking是一份由IEEE通讯学会（IEEE Communications Society）、IEEE计算机学会（IEEE Computer Society）以及ACM数据通讯特别兴趣小组（ACM SIGCOMM）联合出版的学术期刊，旨在刊登计算机通讯网络领域前沿理论与应用相关研究。该期刊是计算机网络领域最负盛名的期刊，是中国计算机学会（CCF）推荐A类期刊。据悉，这也是先进院首次在该网络顶刊发表论文。
数据包级别多模态端到端加密流量识别框架
论文引用信息：Peng Lin, Kejiang Ye*, Yishen Hu, Yanying Lin, and Cheng-Zhong Xu. A Novel Multimodal Deep Learning Framework for Encrypted Traffic Classification, IEEE/ACM Transactions on Networking, 2022.
