FlowPrint: полууправляемая идентификация мобильных приложений по зашифрованному сетевому трафику
FlowPrint: Semi-Supervised Mobile-App Fingerprinting on Encrypted Network Traffic
2020-01-01
SCID: 54.1/3cev7yhc
Discuss with AI
сети доставки контентазашифрованный сетевой трафикмобильные средыидентификация мобильных приложенийполуконтролируемое обучение
Figures from the paper
Abstract (AI)
Идентификация мобильных приложений по сетевому трафику представляет ценность для многих решений в области безопасности, поскольку позволяет получать информацию о приложениях, активных в сети. К сожалению, существующие методы требуют предварительных знаний о приложениях, чтобы распознавать их. Однако мобильные среды постоянно изменяются: приложения регулярно устанавливаются, обновляются и удаляются. Поэтому существующие подходы к идентификации не способны охватить все приложения, которые могут появиться в сети. Более того, большая часть мобильного трафика зашифрована, имеет сходства с трафиком других приложений, например из-за использования общих библиотек или сетей доставки контента, и зависит от действий пользователя, что дополнительно усложняет процесс идентификации.
Key Findings
1
Установка, обновление и удаление приложений делают невозможным для традиционных методов поддерживать охват всех приложений, появляющихся в сети.
2
Шифрование трафика, общие библиотеки, сети доставки контента и зависимость поведения от действий пользователя существенно затрудняют различение мобильных приложений по сетевым трассам.
3
Существующие методы распознавания мобильных приложений по сетевому трафику требуют предварительных сведений о приложениях, что ограничивает распознавание в динамично меняющейся мобильной среде.
4
FlowPrint нацелен на полуобученное распознавание мобильных приложений, чтобы выявлять активные приложения несмотря на изменчивость среды и неоднозначность зашифрованного трафика.
Research Object
зашифрованный сетевой трафик, генерируемый мобильными приложениями
Research Subject
полуконтролируемая идентификация и распознавание мобильных приложений в условиях изменяющегося состава приложений, шифрования трафика, сходства между приложениями и вариативности пользовательского ввода
Publication Details
Publication Date
2020-01-01
Journal
Publisher
ISSN
Cited by
337
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Работы, цитирующие эту статью7
ET-BERT: контекстуализированное представление датаграмм с использованием предварительно обученных трансформеров для классификации зашифрованного трафика2022
Классификация сетевого трафика: методы, наборы данных и проблемы2022
ATVITSC: новый метод классификации зашифрованного трафика на основе глубокого обучения2024
FG-SAT: эффективный граф потоков для классификации зашифрованного трафика в условиях сдвига среды2025
MIETT: трансформер зашифрованного трафика с множественными экземплярами для классификации зашифрованного трафика2025
Влияние сетевого окружения на классификацию трафика2022
Время покажет: Criss-Cross Transformer для анализа зашифрованного трафика2026