Инкрементное обучение для классификации зашифрованного мобильного трафика
Incremental Learning for Mobile Encrypted Traffic Classification
2021-06-01
SCID: 54.1/23wd7vjb
Discuss with AI
катастрофическое забываниеинкрементное обучениеклассификация мобильного зашифрованного трафикастратегия «один против всех»отбор образцов
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
зашифрованный сетевой трафик мобильных приложений
Research Subject
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
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
FS-Net: сеть последовательностей потоков для классификации зашифрованного трафика2019
MaMPF: классификация зашифрованного трафика на основе многoатрибутных вероятностных отпечатков Маркова2018