Con el uso generalizado de protocolos de cifrado en los datos de red, la clasificación de tráfico cifrado rápida y efectiva puede mejorar la eficiencia del análisis de tráfico. Se propone un método de re-muestreo que combina Wasserstein GAN y selección aleatoria para resolver el problema del desequilibrio del conjunto de datos, utilizando Wasserstein GAN para el sobre-muestreo y selección aleatoria para el sub-muestreo con el fin de lograr la igualación de clases. Basado en Mamba, un modelo de cantidad paramétrica ultra-bajo, proponemos un modelo de clasificación de tráfico cifrado, ET-Mamba, que tiene una fase de pre-entrenamiento y una fase de ajuste fino. Durante la fase de pre-entrenamiento, se utiliza la incrustación posicional para caracterizar los bloques de la imagen en escala de grises del tráfico, y se utiliza el enmascaramiento aleatorio para fortalecer el aprendizaje de la correlación intrínseca entre los bloques de la imagen en escala de grises del tráfico. Durante la fase de ajuste fino, se adopta el mecanismo de atención del agente en la fase de extracción de características para lograr un modelado de información global a un bajo costo computacional, y se diseña la función SmoothLoss para resolver el problema de la insuficiente capacidad de generalización de la función de pérdida de entropía cruzada durante el entrenamiento. Los resultados experimentales muestran que el modelo propuesto reduce significativamente el número de parámetros y supera a otros modelos en términos de precisión de clasificación en conjuntos de datos no VPN.