Инкрементное обучение для классификации зашифрованного мобильного трафика

Incremental Learning for Mobile Encrypted Traffic Classification
Yige Chen, Tianning Zang, Yongzheng Zhang, Yuan Joseph Zhou, Peng Yang, Linshu Ouyang
2021-06-01

катастрофическое забываниеинкрементное обучениеклассификация мобильного зашифрованного трафикастратегия «один против всех»отбор образцов
С ростом популярности мобильных сетей и приложений классификация сетевого трафика постепенно стала необходимой для управления мобильными сетями и обеспечения безопасности киберпространства. Современные методы демонстрируют высокую точность при классификации зашифрованного мобильного трафика в замкнутом мире, когда классификатору требуется обрабатывать только классы, представленные в обучающей выборке. При обновлении набора данных новыми мобильными приложениями эти методы должны заново обучать новый классификатор с нуля, чтобы изучить информацию обо всех приложениях, поскольку непосредственная тонкая настройка существующего классификатора приводит к проблеме катастрофического забывания. Поэтому представляет сложность инкрементальное добавление новых приложений в систему классификации с сохранением знаний, усвоенных существующим классификатором. Для решения этой проблемы мы предлагаем фреймворк инкрементного обучения, основанный на стратегии «один против всех» (OvR) и классификаторах на основе нейронных сетей. Кроме того, мы применяем алгоритм отбора образцов для балансировки противоречия между увеличением вычислительных затрат на обучение, вызванным появлением новых приложений, и высокой точностью классификации. Результаты экспериментов показывают, что предложенный фреймворк обеспечивает инкрементное обучение с высокой точностью классификации, сопоставимой с точностью метода замкнутого мира, а алгоритм отбора существенно сокращает затраты на обучение, обеспечивая выполнение требований к контролю масштаба набора данных и точности классификации при пожизненном инкрементном обучении.
1
Алгоритм отбора образцов балансирует рост вычислительных затрат при добавлении новых приложений, точность классификации и ограничения размера набора данных.
2
Эксперименты показывают, что предложенная система обеспечивает высокую точность инкрементальной классификации, сопоставимую с методами классификации в закрытом мире.
3
Предложена система инкрементального обучения, объединяющая стратегию «один против всех» с нейросетевыми классификаторами для уменьшения катастрофического забывания.
4
Работа рассматривает инкрементальную классификацию зашифрованного мобильного трафика с сохранением знаний о ранее изученных приложениях при добавлении новых классов.
5
Алгоритм отбора существенно снижает объём обучения, одновременно удовлетворяя требованиям к масштабу данных и точности при длительном инкрементальном обучении.

зашифрованный сетевой трафик мобильных приложений

эффективность инкрементальной классификации, сохранение изученных знаний и контроль трудозатрат на обучение при добавлении новых классов приложений

Publication Details
Publication Date
2021-06-01
Journal
Publisher
ISSN
Cited by
32
Access Type
Author Information
Authors
Yige Chen
Tianning Zang
Yongzheng Zhang
Yuan Joseph Zhou
Peng Yang
Linshu Ouyang
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%