La demanda de comunicación encriptada está aumentando con el continuo desarrollo de redes seguras y confiables. En escenarios de computación en el borde, el requisito de seguridad en el procesamiento de datos está volviéndose cada vez más alto. Por lo tanto, la identificación precisa del tráfico encriptado se ha convertido en un requisito previo para garantizar la seguridad de los dispositivos inteligentes en el borde. Actualmente, la clasificación del tráfico encriptado en redes se basa en métodos de extracción de características simples. Estos métodos tienen una extracción de características simple, lo que dificulta distinguir flujos de datos encriptados en la red y diseñar características manuales convincentes. Esto conduce a una baja precisión en tareas de clasificación múltiple que involucran tráfico encriptado en la red. Este artículo propone un modelo híbrido de aprendizaje profundo para tareas de clasificación múltiple para abordar este problema basado en la sinergia de la convolución dilatada y los mecanismos de unidad de compuerta. El modelo comprende un módulo de Convolución Dilatada con Compuerta (GDC) y un módulo CA-LSTM. El módulo GDC completa la extracción de características espaciales del tráfico encriptado en la red a través de la convolución dilatada y los mecanismos de unidad de compuerta. En contraste, el módulo CA-LSTM se centra en extraer características temporales del tráfico en la red. Al emplear un enfoque colaborativo para extraer características espacio-temporales, el modelo garantiza la diversidad en la extracción de características, garantiza la robustez y mejora efectivamente la tasa de extracción de características. Evaluamos nuestro modelo de clasificación múltiple utilizando el conjunto de datos público ISCX VPN-nonVPN. Los resultados experimentales muestran que el método propuesto logra una tasa de precisión de más del 95% y una tasa de recuperación de más del 90%, superando significativamente a los métodos existentes.