Deep-Full-Range: фреймворк на основе глубокого обучения для классификации зашифрованного сетевого трафика и обнаружения вторжений

В условиях стремительного роста разнообразия сетевого трафика понимание его характеристик становится все более важным и сложным. Ранее классификация трафика и обнаружение вторжений требовали от экспертов трудоемкого анализа различных характеристик трафика и признаков, связанных с атаками; в некоторых случаях также был необходим доступ к конфиденциальной информации. Однако из-за устаревшей разметки признаков и протоколов конфиденциальности существующие методы могут больше не соответствовать характеристикам изменяющейся сетевой среды. В данной работе представлен облегченный фреймворк с использованием глубокого обучения для классификации зашифрованного трафика и обнаружения вторжений, получивший название Deep-Full-Range (DFR). Благодаря глубокому обучению DFR способен обучаться на необработанном трафике без ручного вмешательства и использования конфиденциальной информации. В рамках предложенного подхода разработанные алгоритмы сравниваются с другими современными методами на двух общедоступных наборах данных. Экспериментальные результаты показывают, что предложенный фреймворк не только превосходит современные методы, обеспечивая среднее улучшение показателя F1 на 13,49% при классификации зашифрованного трафика и на 12,15% при обнаружении вторжений, но и требует значительно меньше ресурсов хранения.