Язык сети: генеративная предобученная модель для анализа зашифрованного трафика

Рост спроса на защиту конфиденциальности и соображения безопасности привёл к значительному увеличению доли зашифрованного сетевого трафика. Поскольку содержимое трафика становится нераспознаваемым после шифрования, точный анализ затруднён, что осложняет классификацию приложений и обнаружение атак. Глубокое обучение в настоящее время является преобладающим подходом для классификации зашифрованного трафика через анализ признаков, однако эти методы испытывают ограничения из‑за сильной зависимости от размеченных данных и трудностей в обнаружении вариантов атак. Во-первых, их качество сильно чувствительно к качеству данных: дорогостоящая ручная разметка и дисбаланс в наборах данных существенно ухудшают результаты. Во-вторых, быстрая эволюция шаблонов атак затрудняет моделям идентификацию новых типов атак. Для решения этих проблем мы представляем GBC — генеративную модель на основе предобучения для понимания зашифрованного трафика. Поскольку традиционные методы токенизации в основном разрабатываются для естественного языка, мы предлагаем протокольно-адаптированную токенизацию для зашифрованного трафика, которая улучшает понимание моделью полей, специфичных для сетевого трафика. Кроме того, GBC использует предобучение для изучения общих представлений на большом объёме неразмеченных данных трафика. С помощью prompt-обучения модель эффективно адаптируется к различным downstream-задачам, обеспечивая как генерацию трафика высокого качества, так и эффективное обнаружение. Оценки на нескольких наборах данных показывают, что GBC достигает лучших результатов как в задачах классификации, так и генерации трафика, обеспечивая улучшение F1 на 5% по сравнению с передовыми методами в задачах классификации.