Deep Packet: новый подход к классификации зашифрованного трафика с использованием глубокого обучения

Deep Packet: A Novel Approach For Encrypted Traffic Classification Using\n Deep Learning
Mohammad Nader Lotfollahi, Ramin Shirali Hossein Zade, Mahdi Jafari Siavoshani, Mohammdsadegh Saberian
2017-09-08

набор данных UNB ISCX VPN-nonVPNсверточная нейронная сетьглубокое обучениеклассификация зашифрованного трафикамногослойный автоэнкодер
Классификация интернет-трафика приобрела особую важность в связи с быстрым развитием Интернета и онлайн-приложений. Этой тематике посвящено множество исследований, результатом которых стало появление разнообразных подходов. В большинстве из них для классификации сетевого трафика используются заранее заданные признаки, выделенные экспертом. В отличие от этих подходов в настоящем исследовании предлагается метод на основе глубокого обучения, объединяющий этапы извлечения признаков и классификации в единую систему. Предложенная схема, получившая название «Deep Packet», предназначена как для характеристики трафика, при которой сетевой трафик распределяется по основным классам (например, FTP и P2P), так и для идентификации приложений, при которой требуется определить приложения конечных пользователей (например, BitTorrent и Skype). В отличие от большинства существующих методов, Deep Packet способен идентифицировать зашифрованный трафик, а также различать сетевой трафик VPN и не-VPN. После начального этапа предварительной обработки данных пакеты поступают в платформу Deep Packet, объединяющую стековый автокодировщик и сверточную нейронную сеть (CNN) для классификации сетевого трафика. При использовании CNN в качестве классификационной модели Deep Packet достиг значения полноты 0,98 в задаче идентификации приложений и 0,94 в задаче категоризации трафика. Насколько нам известно, Deep Packet превосходит все ранее предложенные методы классификации на наборе данных UNB ISCX VPN-nonVPN.
1
Deep Packet объединяет извлечение признаков и классификацию трафика в единой системе глубокого обучения, уменьшая зависимость от признаков, заданных экспертами.
2
Deep Packet поддерживает как общую категоризацию трафика, например FTP и P2P, так и идентификацию приложений, например BitTorrent и Skype.
3
После предварительной обработки пакетов метод сочетает стековые автоэнкодеры и сверточные нейронные сети для классификации сетевого трафика.
4
Метод распознает зашифрованный трафик и различает VPN- и не-VPN-трафик, что редко встречается в предыдущих подходах.
5
При использовании сверточной нейронной сети Deep Packet достигает полноты 0,98 для идентификации приложений и 0,94 для категоризации трафика, превосходя представленные методы на наборе данных UNB ISCX VPN-nonVPN.

зашифрованный интернет-трафик, включая VPN- и не-VPN-трафик

характеризация трафика и идентификация приложений посредством классификации основных классов трафика и пользовательских приложений

Publication Details
Publication Date
2017-09-08
Journal
Publisher
ISSN
Cited by
115
Access Type
Author Information
Authors
Mohammad Nader Lotfollahi
Ramin Shirali Hossein Zade
Mahdi Jafari Siavoshani
Mohammdsadegh Saberian
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%