Интеллектуальная методика глубокого обучения для выявления и профилирования трафика даркнета

Точное маркирование трафика даркнета играет решающую роль в системах кибербезопасности в реальном времени, поскольку оно обеспечивает надежную идентификацию и контроль зашифрованных сетевых приложений. Современные исследования в основном опираются на традиционные методы машинного обучения и публичные наборы данных; однако применение методов глубокого обучения (DL) для анализа трафика даркнета остается недостаточно изученным. В статье предложена новая DL-основанная методика, сочетающая дискриминативный отбор признаков и представление трафика в виде изображений. Методика извлекает наиболее информативные признаки из необработанных сетевых потоков и преобразует их в градации серого, что позволяет эффективно захватывать пространственные шаблоны. Эти изображения далее обрабатываются гибридной архитектурой сверточной нейронной сети (CNN) и двунаправленной длинной краткосрочной памяти (BiLSTM), где CNN обеспечивает извлечение пространственных признаков, а BiLSTM моделирует двунаправленные временные зависимости. Для тестирования модели были объединены два независимых набора данных зашифрованного трафика с целью создания единого и разнообразного эталона трафика даркнета. Полученные результаты показывают, что предложенная гибридная архитектура может достигать до 89% точности классификации, обеспечивая высокие возможности обнаружения и классификации трафика даркнета. Это подтверждает значительное улучшение производительности анализа зашифрованного трафика за счет интеграции отбора признаков и образно-ориентированного глубокого обучения.