Классификация зашифрованного мобильного трафика с использованием глубокого обучения: экспериментальная оценка, извлеченные уроки и проблемы

Массовое распространение портативных устройств привело к взрывному росту объемов мобильного трафика, проходящего через домашние и корпоративные сети, а также через Интернет. Классификация трафика (КТ), то есть совокупность процедур для определения мобильных приложений, генерирующих такой трафик, в настоящее время стала источником исключительно ценной информации для профилирования, хотя и сопряженной с определенными рисками для конфиденциальности, а также основным инструментом дифференциации и блокировки сервисов. Однако разработка точных классификаторов осложняется растущим распространением зашифрованных протоколов, таких как протокол защищенного транспортного уровня (Transport Layer Security, TLS), что ограничивает применимость эффективных методов глубокой инспекции пакетов. Кроме того, быстро расширяющийся набор приложений и изменчивая природа мобильного трафика делают устаревшими решения на основе традиционного машинного обучения, использующие признаки, разработанные вручную и предложенные экспертами, и не позволяют им соответствовать темпам изменений. По этим причинам глубокое обучение (ГО) впервые предлагается в качестве практически применимой стратегии разработки классификаторов мобильного трафика, основанных на автоматически извлекаемых признаках, способных обрабатывать зашифрованный трафик и отражать сложные модели его поведения. Для этого различные современные методы глубокого обучения, применяемые в традиционной классификации трафика, воспроизводятся, детально анализируются с выделением критически важных вариантов проектирования и включаются в систематическую платформу для сравнения, также содержащую стенд оценки производительности. Несмотря на разработку в мобильном контексте, полученный результат применим к более широкому классу задач классификации зашифрованного трафика. Наконец, производительность этих классификаторов на основе глубокого обучения критически исследуется посредством исчерпывающей экспериментальной проверки на трех наборах мобильных данных, содержащих сведения о реальной активности пользователей, с выделением связанных с ними недостатков, рекомендаций по проектированию и проблем.