Классификация зашифрованного трафика с использованием сверточной нейронной сети с долговременной краткосрочной памятью

Encrypted Traffic Classification with a Convolutional Long Short-Term Memory Neural Network
Zhuang Zou, Jingguo Ge, Hongbo Zheng, Yulei Wu, Chunjing Han, Zhongjiang Yao
2018-06-01

сверточная сеть с долговременной кратковременной памятьюглубокое обучениеклассификация зашифрованного трафикаизвлечение признаков потоковизвлечение признаков пакетов
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.
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.

зашифрованные потоки сетевого трафика

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
Authors
Zhuang Zou
Jingguo Ge
Hongbo Zheng
Yulei Wu
Chunjing Han
Zhongjiang Yao
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%