Классификация зашифрованного трафика с использованием сверточной нейронной сети с долговременной краткосрочной памятью
Encrypted Traffic Classification with a Convolutional Long Short-Term Memory Neural Network
2018-06-01
SCID: 54.1/gtfmqcgy
Discuss with AI
сверточная сеть с долговременной кратковременной памятьюглубокое обучениеклассификация зашифрованного трафикаизвлечение признаков потоковизвлечение признаков пакетов
Figures from the paper
Abstract (AI)
В связи с быстрым развитием методов шифрования сетевого трафика классификация зашифрованного трафика приобретает все большее значение для управления сетями и обеспечения безопасности. В данной работе предлагается новая глубокая нейронная сеть, объединяющая сверточную и рекуррентную сети для повышения точности результатов классификации. Сверточная сеть используется для извлечения признаков отдельных пакетов. Рекуррентная сеть обучается выявлять признаки потока на основе входных признаков пакетов любых трех последовательных пакетов в потоке. Предлагаемая модель превосходит существующие методы, требующие первых пакетов потока, и обеспечивает большую гибкость в практических приложениях. Мы сравниваем нашу модель с существующими методами классификации зашифрованного трафика на основе глубокого обучения с использованием общедоступного набора данных. Экспериментальные результаты показывают, что наша модель превосходит современные методы как по эффективности, так и по результативности.
Key Findings
1
Гибридная сверточная сеть с долговременной краткосрочной памятью объединяет извлечение признаков отдельных пакетов с рекуррентным обучением признаков потока для классификации зашифрованного трафика.
2
На общедоступном наборе данных предложенная модель превзошла существующие методы глубокого обучения для классификации зашифрованного трафика по эффективности и результативности.
3
Рекуррентный компонент обучается признакам потока по признакам любых трех последовательных пакетов, а не только по начальным пакетам потока.
4
Использование любых трех последовательных пакетов обеспечивает большую практическую гибкость по сравнению с методами, зависящими от первых пакетов потока.
Research Object
зашифрованные потоки сетевого трафика
Research Subject
извлечение признаков на уровне пакетов и потоков и эффективность классификации с использованием трёх последовательных пакетов, включая эффективность по вычислительным затратам и результативность
Publication Details
Publication Date
2018-06-01
Journal
Publisher
ISSN
Cited by
150
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
Adam: метод стохастической оптимизации2014
Классификация трафика со сквозным шифрованием с использованием одномерных сверточных нейронных сетей2017
Обзор методов классификации и анализа зашифрованного трафика2015