Глубокое обучение для классификации зашифрованного трафика и обнаружения неизвестных данных

Несмотря на широкое применение методов шифрования для обеспечения конфиденциальности интернет-коммуникаций, пользователи мобильных устройств по-прежнему подвергаются рискам нарушения конфиденциальности и безопасности. В данной работе предлагается новая глубокая нейронная сеть (DNN), основанная на методе обнаружения пользовательской активности, для идентификации детализированных действий пользователей, выполняемых в мобильных приложениях (так называемых внутриприкладных действий), по перехваченному потоку зашифрованного интернет-трафика. Одной из проблем является огромное количество приложений, из-за чего практически невозможно собрать все возможные данные из них и использовать их для обучения модели DNN. Поэтому в данной работе используется распределение вероятностей выходного слоя DNN для фильтрации данных приложений, которые не учитывались при обучении модели (то есть неизвестных данных). В предложенной системе применяется подход на основе временного окна, позволяющий разделить поток трафика, связанный с действием, на сегменты, благодаря чему внутриприкладные действия можно идентифицировать, наблюдая лишь за частью соответствующего трафика. Проведённые испытания показали, что при использовании данной системы точность идентификации ранее использованных для обучения внутриприкладных действий составила 90% и выше, а средняя точность определения трафика ранее не обучавшихся внутриприкладных действий как неизвестных данных — 79%.