Автоматическая идентификация мобильных приложений по зашифрованному трафику с гибридными нейронными сетями

Рост числа портативных устройств привёл к взрывному увеличению объёмов мобильного трафика в Интернете. Идентификация мобильных приложений по сетевому трафику стала ключевой задачей для управления мобильными сетями и обеспечения безопасности. Традиционно разработка точных идентификаторов опирается на методы глубокого анализа пакетов (Deep Packet Inspection, DPI). Однако такие подходы стали менее эффективны из‑за широкой адаптации зашифрованных протоколов в мобильных приложениях (в основном TLS). Для решения этой проблемы изучались и использовались различные методы машинного обучения. Большинство из них применяют линейные классификаторы поверх вручную разработанных признаков, которые ненадёжны из‑за сложности мобильного трафика. В этой статье мы предлагаем App-Net — сквозную гибридную нейронную сеть для идентификации мобильных приложений по зашифрованному TLS-трафику. App-Net разработан путём параллельного объединения RNN и CNN и способен автоматически извлекать эффективные признаки из необработанных TLS-потоков. Благодаря скоординированному слиянию и оптимизированному обучению гибридная и мультимодальная архитектура характеризует как последовательностные паттерны потоков, так и сигнатуры приложений для обучения совместного встраивания поток–приложение. Мы оцениваем App-Net на реальном наборе данных, охватывающем 80 приложений. Результаты показывают, что наш метод обеспечивает отличную производительность и превосходит передовые методы.