Визуализация маршрутов трафика: классификация зашифрованного трафика с использованием признаков сигнатур маршрута
Seeing Traffic Paths: Encrypted Traffic Classification With Path Signature Features
2022-01-01
SCID: 54.1/hvv75m65
Discuss with AI
трафик QUIC и HTTPSклассификация зашифрованного трафикамногомасштабная сигнатура путипризнаки сигнатуры путипоследовательность длин пакетов сеанса
Figures from the paper
Abstract (AI)
Хотя для защиты конфиденциальности пользователей разработано множество методов защиты сетевого трафика, зашифрованный трафик по-прежнему может раскрывать конфиденциальную информацию о пользователях при использовании сложного анализа. В данной работе предлагается ETC-PS — новый метод классификации зашифрованного трафика на основе сигнатур маршрута. Сначала на основе последовательности длин пакетов сеанса строится маршрут трафика, представляющий взаимодействия между клиентом и сервером. Затем выполняются преобразования маршрута, позволяющие выявить его структуру и извлечь различную информацию. Наконец, вычисляется многомасштабная сигнатура маршрута, используемая в качестве отличительного признака для обучения традиционного классификатора машинного обучения; это обеспечивает высокую устойчивость точности при низких затратах на обучение. Для проверки эффективности ETC-PS используются шесть общедоступных наборов данных, охватывающих различные типы трафика: HTTPS/1, HTTPS/2, QUIC, VPN, не-VPN, Tor и не-Tor; проводятся оценки в сценариях замкнутого и открытого мира. Экспериментальные результаты показывают, что ETC-PS превосходит современные методы по точности, F1-мере, временной сложности и стабильности.
Key Findings
1
ETC-PS классифицирует зашифрованный трафик, представляя взаимодействия клиента и сервера в виде путей из последовательностей длин пакетных сессий.
2
ETC-PS превосходит современные методы по точности, F1-мере, временной сложности и стабильности.
3
Оценка проведена на шести общедоступных наборах данных, охватывающих HTTPS/1, HTTPS/2, QUIC, VPN, не-VPN, Tor и не-Tor, в закрытом и открытом сценариях.
4
Преобразования путей раскрывают структуру трафика, а многомасштабные сигнатуры путей формируют отличительные признаки для традиционных классификаторов машинного обучения.
5
Метод обеспечивает высокую устойчивость точности классификации при низких накладных расходах на обучение.
Research Object
зашифрованный сетевой трафик различных протоколов и сетевых сред
Research Subject
точность и устойчивость классификации трафика на основе признаков сигнатуры пути, полученных из последовательностей длин пакетов взаимодействия клиент–сервер
Publication Details
Publication Date
2022-01-01
Journal
Publisher
ISSN
Cited by
111
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Классификация трафика со сквозным шифрованием с использованием одномерных сверточных нейронных сетей2017
FS-Net: сеть последовательностей потоков для классификации зашифрованного трафика2019
MaMPF: классификация зашифрованного трафика на основе многoатрибутных вероятностных отпечатков Маркова2018
Обучение классификации: основанная на потоках реляционная сеть для классификации зашифрованного трафика2020
Анализ HTTPS-трафика и идентификация клиентов с использованием пассивного SSL/TLS-фингерпринтинга2016