Обзор методов классификации зашифрованного трафика мобильных сервисов с использованием глубокого обучения

Стремительное распространение мобильных устройств существенно изменило доступ к различным сетевым сервисам и привело к резкому росту объёма трафика мобильных сервисов. Классификация трафика мобильных сервисов на протяжении десятилетий остаётся важной задачей, привлекающей значительный интерес в области управления и обеспечения безопасности мобильных сетей, а также в сообществе специалистов по машинному обучению. Однако всё более широкое использование шифрования в мобильных сервисах создаёт многочисленные проблемы для классификации мобильного трафика. Хотя классические методы машинного обучения позволяют решать многие задачи, с которыми не справляются методы, основанные на анализе портов и полезной нагрузки, они имеют ряд ограничений, включая трудоёмкую и дорогостоящую разработку признаков вручную, а также необходимость их частого обновления. Благодаря превосходной способности автоматически обучаться признакам глубокое обучение (deep learning, DL) стало особенно привлекательным подходом к классификации трафика мобильных сервисов, прежде всего зашифрованного трафика. В данной обзорной статье рассматриваются современные исследования применения методов глубокого обучения для классификации зашифрованного трафика мобильных сервисов и представляется общая схема классификации зашифрованного мобильного трафика на основе глубокого обучения. Кроме того, проанализированы большинство недавних работ с точки зрения выбора набора данных, проектирования входных данных модели и архитектуры модели. Наконец, сформулированы важные вопросы и проблемы, связанные с классификацией трафика мобильных сервисов на основе глубокого обучения.