Классификация зашифрованного мобильного трафика с использованием глубокого обучения

Массовое распространение портативных устройств привело к резкому росту объёмов мобильного трафика, проходящего через домашние и корпоративные сети, а также через Интернет. Методы определения мобильных приложений, генерирующих такой трафик, известные как классификация трафика (TC), обеспечивают получение ценной информации для профилирования, однако одновременно создают серьёзные риски для конфиденциальности. Разработка точных классификаторов, тем не менее, осложняется всё более широким применением протоколов шифрования, таких как TLS, что ограничивает использование высокоточных методов, например глубокой инспекции пакетов. Кроме того, постоянно расширяющийся набор приложений и изменчивая природа мобильного трафика делают устаревшими решения на основе традиционного машинного обучения и признаков, разработанных вручную экспертами. По этим причинам мы предлагаем глубокое обучение (DL) как перспективную стратегию разработки классификаторов трафика на основе автоматически извлекаемых признаков, отражающих сложные закономерности мобильного трафика. Для этого несколько современных методов DL для классификации трафика воспроизводятся, анализируются и объединяются в систематическую среду для сравнения, включающую также рабочий стенд для оценки производительности. На основе трёх наборов данных об активности реальных пользователей проводится критический анализ производительности этих классификаторов DL, выявляются недостатки, формулируются рекомендации по проектированию и обозначаются нерешённые вопросы применения DL для классификации зашифрованного мобильного трафика.