FS-Net: сеть последовательностей потоков для классификации зашифрованного трафика

В условиях растущего внимания к конфиденциальности пользователей и безопасности коммуникаций объем зашифрованного трафика стремительно увеличивается, создавая серьезные трудности для традиционных методов классификации трафика на основе правил. Сочетание алгоритмов машинного обучения с признаками, разработанными вручную, стало основным подходом к решению этой задачи. Однако такие признаки в значительной степени зависят от опыта специалистов и требуют значительных трудозатрат. Кроме того, эти методы разделяют задачу классификации зашифрованного трафика на отдельные подзадачи, что не позволяет гарантировать оптимальное решение. В данной работе рекуррентная нейронная сеть применяется к задаче классификации зашифрованного трафика и предлагается Flow Sequence Network (FS-Net) — сеть последовательностей потоков. FS-Net представляет собой сквозную модель классификации, которая извлекает репрезентативные признаки из исходных потоков, а затем классифицирует их в рамках единой архитектуры. Кроме того, используется многоуровневая структура кодировщика–декодировщика, позволяющая глубоко выявлять скрытые последовательностные характеристики потоков, а также вводится механизм реконструкции, повышающий эффективность признаков. Комплексные эксперименты на реальном наборе данных, охватывающем 18 приложений, показали, что FS-Net обеспечивает высокие результаты (99,14% TPR, 0,05% FPR и 0,9906 FTF) и превосходит современные методы.