Новая мультимодальная модель глубокого обучения для классификации зашифрованного трафика

A Novel Multimodal Deep Learning Framework for Encrypted Traffic Classification
Peng Lin, Kejiang Ye, Yishen Hu, Yanying Lin, Chengzhong Xu
2022-11-03

классификация зашифрованного трафикамультимодальное глубокое обучениесырые байты и последовательность длинмеханизм самообслуживанияобучение без учителя
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.
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.

Зашифрованные сетевые трафиковые потоки (biflow), представленные сырыми байтами и последовательностями длин пакетов

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
Authors
Peng Lin
Kejiang Ye
Yishen Hu
Yanying Lin
Chengzhong Xu
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%