MaMPF: классификация зашифрованного трафика на основе многoатрибутных вероятностных отпечатков Маркова
MaMPF: Encrypted Traffic Classification Based on Multi-Attribute Markov Probability Fingerprints
2018-06-01
SCID: 54.1/8hv7wn4j
Discuss with AI
марковские моделимультиатрибутивные вероятностные отпечатки Марковатрафик SSL/TLSклассификация зашифрованного трафикапоследовательность блоков длины
Figures from the paper
Abstract (AI)
В связи с быстрым ростом числа сетевых приложений обнаружение сетевых аномалий и управление безопасностью сталкиваются с серьезными проблемами, причем классификация трафика является первым и фундаментальным этапом. Однако для защиты конфиденциальности пользователей широко применяются протоколы зашифрованной связи, такие как SSL/TLS, что делает традиционные методы классификации на основе правил неэффективными. Существующие методы не обеспечивают удовлетворительную точность классификации зашифрованного трафика из-за недостаточной различимости используемых признаков. В данной работе мы предлагаем метод многoатрибутных вероятностных отпечатков Маркова (Multi-Attribute Markov Probability Fingerprints, MaMPF) для классификации зашифрованного трафика. Ключевая идея MaMPF заключается в учете нескольких атрибутов, включая критически важный признак, называемый «последовательностью блоков длин», который эффективно описывает временной ряд длин пакетов с использованием степенных распределений и относительных вероятностей появления всех рассматриваемых приложений. На основе типов сообщений и последовательностей блоков длин обучаются марковские модели, а вероятности всех приложений объединяются в отпечатки, используемые для классификации. На реальном наборе данных кампусной сети, включающем более 950 000 потоков зашифрованного трафика и охватывающем 18 приложений, MaMPF достиг показателя истинно положительных результатов (TPR) 96,4% и показателя ложно положительных результатов (FPR) 0,2%, превзойдя современные методы.
Key Findings
1
MaMPF вводит многoатрибутные марковские вероятностные отпечатки для классификации зашифрованного сетевого трафика, где традиционные методы на основе правил неэффективны.
2
На исследованном наборе данных MaMPF превосходит современные методы классификации зашифрованного трафика.
3
Марковские модели, обученные на типах сообщений и последовательностях блоков длин, объединяют вероятности приложений в отпечатки для классификации трафика.
4
На реальном наборе данных кампусной сети, включающем более 950 000 зашифрованных потоков и 18 приложений, MaMPF достигает TPR 96,4% и FPR 0,2%.
5
Метод использует последовательности блоков длин для описания временной динамики длин пакетов с помощью степенных распределений и относительных вероятностей появления для разных приложений.
Research Object
Зашифрованные сетевые потоки трафика (SSL/TLS) из кампусной сети, охватывающие несколько приложений
Research Subject
классификация зашифрованного трафика на уровне приложений на основе многоатрибутных марковских вероятностных отпечатков, в частности с использованием последовательностей длин пакетов и типов сообщений
Publication Details
Publication Date
2018-06-01
Journal
Publisher
ISSN
Cited by
124
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью5
Классификация сетевого трафика: методы, наборы данных и проблемы2022
Новая мультимодальная модель глубокого обучения для классификации зашифрованного трафика2022
Визуализация маршрутов трафика: классификация зашифрованного трафика с использованием признаков сигнатур маршрута2022
Автоматическая идентификация мобильных приложений по зашифрованному трафику с гибридными нейронными сетями2020
Инкрементное обучение для классификации зашифрованного мобильного трафика2021