Maitin, Ana M.Arranz-Luque, CarlosAlba, EmilioGarcía-Tejedor, Álvaro J.2026-02-042026-02-042025-12Maitin, A M, Arranz-Luque, C, Alba, E & García-Tejedor, Á J 2025, 'Application of natural language processing techniques to network traffic processing for classification using deep learning models', Journal of Big Data, vol. 12, no. 1, 277. https://doi.org/10.1186/s40537-025-01183-w2196-1115https://hdl.handle.net/10641/7787Publisher Copyright: © The Author(s) 2025.Antecedentes: El rápido crecimiento del tráfico de red cifrado ha aumentado la necesidad de una clasificación del tráfico de red (NTC) eficaz y no sesgada. Las técnicas tradicionales tienen dificultades con los datos cifrados, la disponibilidad limitada de características y el elevado volumen de tráfico, lo que reduce su fiabilidad en escenarios reales. Métodos: Proponemos una metodología de preprocesamiento novedosa que analiza el tráfico de red en bruto y lo transforma en un formato textual (nt2txt), lo que permite aplicar técnicas de Procesamiento del Lenguaje Natural (NLP) y de Aprendizaje Profundo. Este enfoque elimina el sesgo derivado de los metadatos de protocolo, estructura los datos en semi-flujos de tamaño fijo y utiliza una división rigurosa de los datos para evitar el solapamiento de flujos entre entrenamiento y prueba. A continuación, se entrena un modelo basado en LSTM para clasificar el tráfico utilizando únicamente los datos de la carga útil (payload). Resultados: Este trabajo proporciona un marco escalable e independiente del protocolo para la clasificación de tráfico cifrado, demostrando la eficacia de las técnicas de NLP para mejorar el rendimiento del modelo y reducir el sesgo del conjunto de datos. Nuestra metodología alcanzó una precisión del 88,87 ± 0,04% en un conjunto de datos externo ciego, superando a modelos similares LSTM e híbridos CNN-LSTM. Métricas como la Kappa de Cohen y el Coeficiente de Correlación de Matthews confirman además la robustez y la generalizabilidad de nuestro enfoque. [Traducción automática al español; idioma original: inglés.]Background: The rapid growth of encrypted network traffic has increased the need for effective and unbiased Network Traffic Classification (NTC). Traditional techniques struggle with encrypted data, limited feature availability, and high traffic volume, reducing their reliability in real-world scenarios. Methods: We propose a novel pre-processing methodology that analyzes raw network traffic into a textual format (nt2txt), enabling the application of Natural Language Processing (NLP) and Deep Learning techniques. This approach eliminates bias from protocol metadata, structures the data into fixed-size semi-flows, and uses rigorous data-splitting to prevent flow overlap between training and testing. An LSTM-based model is then trained to classify traffic using only payload data. Results: This work provides a scalable, protocol-agnostic framework for encrypted traffic classification, demonstrating the effectiveness of NLP techniques in improving model performance and reducing dataset bias. Our methodology achieved 88,87 ± 0,04% accuracy on a blind external dataset, outperforming similar LSTM and hybrid CNN-LSTM models. Metrics such as Cohen’s Kappa and Matthew’s Correlation Coefficient further confirm the robustness and generalizability of our approach.192076528enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Artificial intelligenceCybersecurityPLNTraffic classificationInformation SystemsHardware and ArchitectureComputer Networks and CommunicationsInformation Systems and ManagementYesyesjournal articleopen access10.1186/s40537-025-01183-whttps://www.scopus.com/pages/publications/105026238710https://www.scopus.com/pages/publications/105026238710#tab=citedByhttps://www.webofscience.com/wos/woscc/full-record/WOS:001649159200001