Zero-relabelling mobile-app identification over drifted encrypted network traffic
-
背景:现在的加密网络流量移动应用程序识别的主流方法中,主要假设训练和测试流量是独立同分布的。然后,测试中的分布可能会因应用程序的更新、移动平台和地区的不同而发生漂移,从而导致准确性较低(也就是测试的时候用的数据是非独立同分布的)。现有的方法在部署时需要手动重新标记非独立同分布流量并从头开始训练模型,这需要大量的人力,限制了部署。
这种说法在其他论文中貌似没有出现过,为什么呢?其他人都不用独立同分布来解释,其实同一环境中的数据也是非独立同分布的吧??
-
目标:在非独立同分布流量上只需要零重新标记,且模型还能够提高识别准确性;
-
方法:提出了Flow Domain Adaptation Neural Network (FDAN),将漂移的测试流转换为近似独立同分布样本;具体来说,我们采用两个域鉴别器和一个特征生成器来增强特征在对抗性损失下的不变性。
-
结果:只能说在零重新标记的情况下由于其他方法。。。。