Классификация трафика со сквозным шифрованием с использованием одномерных сверточных нейронных сетей
End-to-end encrypted traffic classification with one-dimensional convolution neural networks
2017-07-01
SCID: 54.1/cxb4k96m
Discuss with AI
набор данных ISCX VPN-nonVPNклассификация зашифрованного трафикасквозное обучениеанализ сетевого трафикаодномерные сверточные нейронные сети
Figures from the paper
Abstract (AI)
Классификация трафика играет важную и фундаментальную роль в управлении сетями и обеспечении безопасности киберпространства. В связи с широким распространением методов шифрования в сетевых приложениях зашифрованный трафик в последнее время стал серьезной проблемой для традиционных методов классификации трафика. В данной статье предлагается метод классификации зашифрованного трафика на основе одномерных сверточных нейронных сетей. Этот метод объединяет извлечение признаков, отбор признаков и классификатор в единую сквозную структуру, предназначенную для автоматического обучения нелинейной зависимости между исходными входными данными и ожидаемым выходом. Насколько нам известно, это первое применение сквозного метода в области классификации зашифрованного трафика. Метод проверен на общедоступном наборе данных трафика ISCX VPN-nonVPN. В четырех экспериментах при использовании наилучшего представления трафика и дообученной модели 11 из 12 оценочных метрик превзошли показатели современного метода, что свидетельствует об эффективности предложенного подхода.
Key Findings
1
Одномерная сверточная нейронная сеть обеспечивает сквозную классификацию зашифрованного трафика непосредственно по исходным данным.
2
На общедоступном наборе данных ISCX VPN-nonVPN лучшая форма представления трафика и дообученная модель превзошли метод, являвшийся лучшим на момент сравнения, по 11 из 12 метрик в четырех экспериментах.
3
Метод представлен как первый сквозной подход, примененный к классификации зашифрованного трафика.
4
Предложенная система объединяет извлечение признаков, отбор признаков и классификацию, автоматически обучая нелинейные зависимости между входом и выходом.
Research Object
зашифрованный сетевой трафик
Research Subject
эффективность классификации трафика, включая автоматическое обучение нелинейным взаимосвязям между исходными входными данными трафика и ожидаемыми метками
Publication Details
Publication Date
2017-07-01
Journal
Publisher
ISSN
Cited by
1035
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Работы, цитирующие эту статью20
Методы машинного обучения и глубокого обучения для кибербезопасности2018
Обзор методов глубокого обучения для кибербезопасности2019
Глубокое обучение для классификации зашифрованного трафика: обзор2019
Классификация зашифрованного мобильного трафика с использованием глубокого обучения: экспериментальная оценка, извлеченные уроки и проблемы2019
Обзор методов машинного обучения для обеспечения кибербезопасности за последнее десятилетие2020
Глубокое обучение для мониторинга и анализа сетевого трафика (NTMA): обзор2021
К внедрению решений на основе машинного обучения для классификации сетевого трафика: систематический обзор2018
Классификация сетевого трафика: методы, наборы данных и проблемы2022
Deep-Full-Range: фреймворк на основе глубокого обучения для классификации зашифрованного сетевого трафика и обнаружения вторжений2019
FlowPic: универсальное представление для классификации зашифрованного трафика и идентификации приложений2021
PERT: представление кодирования полезной нагрузки на основе трансформера для классификации зашифрованного трафика2020
Классификация зашифрованного трафика с использованием сверточной нейронной сети с долговременной краткосрочной памятью2018
Обзор методов классификации зашифрованного трафика мобильных сервисов с использованием глубокого обучения2019
Новая мультимодальная модель глубокого обучения для классификации зашифрованного трафика2022
MaMPF: классификация зашифрованного трафика на основе многoатрибутных вероятностных отпечатков Маркова2018
Полуконтролируемая классификация зашифрованного трафика с использованием глубоких сверточных генеративно-состязательных сетей2019
Визуализация маршрутов трафика: классификация зашифрованного трафика с использованием признаков сигнатур маршрута2022
Классификация зашифрованного сетевого трафика с использованием глубоких и параллельных моделей «сеть в сети»2020
ATVITSC: новый метод классификации зашифрованного трафика на основе глубокого обучения2024
Классификация зашифрованного сетевого трафика на основе машинного обучения2023