FS-Net: сеть последовательностей потоков для классификации зашифрованного трафика
FS-Net: A Flow Sequence Network For Encrypted Traffic Classification
2019-04-01
SCID: 54.1/banvfusv
Discuss with AI
сеть последовательности потоковархитектура кодировщик-декодировщикклассификация зашифрованного трафикарекуррентная нейронная сетьреконструкция сетевых потоков
Figures from the paper
Abstract (AI)
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.
Key Findings
1
Механизм реконструкции интегрирован для повышения эффективности выученных представлений потоков.
2
FS-Net применяет рекуррентную нейронную сеть для классификации зашифрованного трафика, заменяя ручное конструирование признаков сквозным обучением на исходных потоках.
3
В комплексных экспериментах FS-Net превосходит современные методы классификации зашифрованного трафика.
4
На реальном наборе данных, охватывающем 18 приложений, FS-Net достигает TPR 99,14%, FPR 0,05% и FTF 0,9906.
5
Модель использует многоуровневую архитектуру кодировщик–декодировщик для глубокого извлечения последовательных характеристик потоков зашифрованного трафика.
Research Object
зашифрованные сетевые потоки данных от 18 приложений из реального мира
Research Subject
их последовательные характеристики и эффективность классификации в рамках сквозной модели последовательности потоков
Publication Details
Publication Date
2019-04-01
Journal
Publisher
ISSN
Cited by
659
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai7
Adam: метод стохастической оптимизации2014
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Распределённые представления слов и фраз и их композиционность2013
Улучшение нейронных сетей путем предотвращения соадаптации детекторов признаков2012
Обзор методов классификации и анализа зашифрованного трафика2015
Deep Packet: новый подход к классификации зашифрованного трафика с использованием глубокого обучения2017
Adam: метод стохастической оптимизации2021
Работы, цитирующие эту статью11
ET-BERT: контекстуализированное представление датаграмм с использованием предварительно обученных трансформеров для классификации зашифрованного трафика2022
Новая мультимодальная модель глубокого обучения для классификации зашифрованного трафика2022
Визуализация маршрутов трафика: классификация зашифрованного трафика с использованием признаков сигнатур маршрута2022
Rosetta: обеспечение надежной классификации зашифрованного TLS-трафика в различных сетевых средах с помощью аугментации трафика с учетом TCP2023
ATVITSC: новый метод классификации зашифрованного трафика на основе глубокого обучения2024
Глубокое обучение для классификации зашифрованного трафика и обнаружения неизвестных данных2022
Автоматическая идентификация мобильных приложений по зашифрованному трафику с гибридными нейронными сетями2020
Инкрементное обучение для классификации зашифрованного мобильного трафика2021
FG-SAT: эффективный граф потоков для классификации зашифрованного трафика в условиях сдвига среды2025
MIETT: трансформер зашифрованного трафика с множественными экземплярами для классификации зашифрованного трафика2025
Время покажет: Criss-Cross Transformer для анализа зашифрованного трафика2026