PacketPatch/
├── README.md                          # Aperçu du projet (ce fichier)
├── LICENSE                            # Licence MIT
├── requirements.txt                   # Dépendances Python
├── bert_base_config.json              # Configuration du modèle BERT (12 couches, 768 dims, 12 têtes)
│
├── packet_adv/                        # ★ Code expérimental principal
│   ├── README.md                      # Guide d'utilisation des modules principaux
│   ├── adv_fine_tuning_cls.py         # Étape 1 : Entraîner PatchGenerator (SpanBERT)
│   ├── generate.py                    # Étape 2 : Générer des paquets adverses
│   └── gen_onnx.py                    # Étape 3 (optionnelle) : Accélération ONNX/TensorRT
│
├── uer/                               # Framework UER (Universal Encoder Representations)
│   ├── README.md                      # Documentation du framework
│   ├── encoders/                      # Implémentations des encodeurs (Transformer, RNN, CNN)
│   ├── layers/                        # Couches réseau (Embedding, Attention, FFN)
│   ├── targets/                       # Objectifs d'entraînement (MLM, NSP, Span-MBM, etc.)
│   ├── models/                        # Définition du modèle
│   ├── utils/                         # Utilitaires (tokeniseurs, optimiseurs, chargement de données)
│   ├── model_builder.py               # Construction du modèle
│   ├── model_loader.py                # Chargement des poids pré-entraînés
│   ├── model_saver.py                 # Sauvegarde des points de contrôle du modèle
│   ├── trainer.py                     # Implémentation de la boucle d'entraînement
│   └── opts.py                        # Définitions des arguments CLI
│
├── dataset/                           # Documentation des jeux de données
│   └── README.md                      # Descriptions des jeux de données, liens de téléchargement, prétraitement
│
├── image/                             # Figures d'architecture et de résultats
│   └── README.md                      # Descriptions des figures
│
└── tools/                             # Outils utilitaires
    └── README.md                      # Descriptions et utilisations des outils

# Cloner ce dépôt
git clone https://github.com/your-org/PacketPatch.git
cd PacketPatch

# Installer les dépendances
pip install -r requirements.txt

cd packet_adv

# Modifier adv_fine_tuning_cls.py d'abord :
#   - Mettre à jour les chemins des jeux de données (lignes 47-50)
#   - Mettre à jour le chemin du modèle pré-entraîné (lignes 73-75)
#   - Définir le bon num_classes (ligne 56)
#   - Définir la bonne taille de l'ensemble d'entraînement (ligne 878)

python adv_fine_tuning_cls.py

cd packet_adv

# Modifier generate.py d'abord :
#   - Mettre à jour les chemins des données de test (lignes 42-44)
#   - Mettre à jour --load_model_path vers votre point de contrôle entraîné (lignes 68-69)
#   - Définir BWO (ratio de surcharge de bande passante, ligne 60, défaut 0.1)
#   - Choisir la stratégie de génération via le paramètre 'fun' (ligne 50)

python generate.py

cd packet_adv

# Modifier gen_onnx.py d'abord :
#   - Mettre à jour le chemin du point de contrôle du modèle (ligne 132)
#   - Mettre à jour les chemins de sortie (lignes 145, 207)
#   - Sélectionner le mode de précision : 'fp16' ou 'int8' (ligne 21)

python gen_onnx.py

@article{xu2025packetpatch,
    title = {PacketPatch: Practical Generation and Deployment of Adversarial Packets for Byte-Feature-Based Encrypted Traffic Classification},
    author = {Yuwei Xu and Yuanyuan Xu and Yunpeng Bai and Jiahui Chen and Kehui Song and Jie Cao and Qiao Xiang and Guang Cheng},
    journal = {Elsevier},
    year = {2025},
}