Новая мультимодальная модель глубокого обучения для классификации зашифрованного трафика
A Novel Multimodal Deep Learning Framework for Encrypted Traffic Classification
2022-11-03
SCID: 54.1/jfswsse9
Discuss with AI
классификация зашифрованного трафикамультимодальное глубокое обучениесырые байты и последовательность длинмеханизм самообслуживанияобучение без учителя
Figures from the paper
Abstract (AI)
Классификация трафика имеет решающее значение для обеспечения кибербезопасности и управления сетями и широко применяется для обеспечения качества обслуживания (Quality of Service, QoS), обнаружения вторжений и решения других задач. В последнее время, с появлением протоколов шифрования Secure Sockets Layer/Transport Layer Security (SSL/TLS) в современной интернет-среде, традиционные методы классификации на основе полезной нагрузки утратили эффективность. Некоторые исследователи применяют методы машинного обучения для моделирования характеристик потоков зашифрованного трафика, таких как типы сообщений, последовательности длин и статистические признаки, достигая в ряде случаев хороших результатов. Однако такие высокоуровневые признаки, разработанные вручную, непригодны для более детализированных операций и могут приводить к потере важной информации, что снижает точность классификации. Для устранения этого ограничения в данной работе разработана новая мультимодальная модель глубокого обучения для классификации зашифрованного трафика, получившая название PEAN. На вход PEAN подаются необработанные байты и последовательности длин, а механизм самовнимания используется для изучения глубоких взаимосвязей между сетевыми пакетами в двунаправленном потоке (biflow). Кроме того, для повышения способности PEAN характеризовать сетевые пакеты применялось обучение без учителя на этапе предварительной подготовки. Эксперименты на наборе реальных трасс, собранных в крупном центре обработки данных, демонстрируют эффективность PEAN: модель превосходит современные методы.
Key Findings
1
Эксперименты на реальных трассах трафика из крупного центра обработки данных показали, что PEAN превосходит современные методы классификации зашифрованного трафика.
2
PEAN — мультимодальная модель глубокого обучения для классификации зашифрованного трафика, использующая необработанные байты и последовательности длин пакетов.
3
Модель применяет механизм самообучаемого внимания для выявления глубоких взаимосвязей между пакетами внутри двунаправленного потока.
4
Для улучшения способности PEAN характеризовать сетевые пакеты используется предварительное обучение без учителя.
5
Использование необработанной информации о пакетах устраняет ограничения высокоуровневых сконструированных признаков, которые могут терять информацию и ограничивать тонкую классификацию.
Research Object
Зашифрованные сетевые трафиковые потоки (biflow), представленные сырыми байтами и последовательностями длин пакетов
Research Subject
детальная классификация трафика на основе выявления зависимостей между сетевыми пакетами
Publication Details
Publication Date
2022-11-03
Journal
Publisher
ISSN
Cited by
137
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai9
Использование генеративного искусственного интеллекта для масштабирования интеллектуальных обучающих систем2023
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Классификация трафика со сквозным шифрованием с использованием одномерных сверточных нейронных сетей2017
Глубокое обучение для классификации зашифрованного трафика: обзор2019
FS-Net: сеть последовательностей потоков для классификации зашифрованного трафика2019
Обзор методов классификации и анализа зашифрованного трафика2015
Классификация зашифрованного трафика с использованием сверточной нейронной сети с долговременной краткосрочной памятью2018
MaMPF: классификация зашифрованного трафика на основе многoатрибутных вероятностных отпечатков Маркова2018
Конвейер с поддержкой искусственного интеллекта для динамической генерации достоверного контента о пищевых добавках в больших масштабах2022