FEAT: федеративный подход к классификации сетевого трафика с сохранением конфиденциальности в гетерогенных средах
FEAT: A Federated Approach for Privacy-Preserving Network Traffic Classification in Heterogeneous Environments
2022-09-08
SCID: 54.1/jhuju3jp
Discuss with AI
наборы данных QUIC и ISCXвыборка Томпсонафедеративная аналитикафедеративное обучениеклассификация сетевого трафика
Figures from the paper
Abstract (AI)
Классификация сетевого трафика является основой многих приложений в области сетевой безопасности и управления сетями. В последнее время для сохранения конфиденциальности данных, генерируемых на мобильных оконечных устройствах, предлагаются методы классификации на основе федеративного обучения (FL). Однако эффективность методов на основе FL может существенно снижаться при наличии смещённости данных на клиентах. Особенно это характерно для классификации трафика мобильных сетей, поскольку среды на мобильных оконечных устройствах отличаются высокой гетерогенностью. В данной статье сначала проводится измерительное исследование точности классификации трафика с использованием FL и трасс реального сетевого трафика; выявлено существенное снижение точности, обусловленное гетерогенностью сред. Предлагается новый подход к федеративной аналитике (FA) FEAT, предназначенный для повышения точности. В отличие от FL, ориентированного на обучение моделей, предлагаемый подход FA выполняет локальные аналитические задачи, позволяющие оценивать неоднородность данных о трафике и выбирать подходящих клиентов для обучения моделей FL. Эти аналитические задачи выполняются локально и федеративно, поэтому конфиденциальность также сохраняется. Подход обладает строгими теоретическими свойствами: для выявления неоднородности данных о трафике используется неравенство Хёффдинга, а для выбора клиентов — метод выборки Томпсона. Подход оценён в ходе обширных экспериментов с использованием наборов данных реального трафика QUIC и ISCX. Результаты экспериментов показывают, что FEAT способен повысить точность классификации трафика в гетерогенных средах.
Key Findings
1
Измерительное исследование на реальных трассах сетевого трафика выявило существенное снижение точности федеративного обучения в неоднородных клиентских средах.
2
Обширные эксперименты на реальных наборах данных QUIC и ISCX показали, что FEAT повышает точность классификации трафика в неоднородных средах.
3
FEAT — это сохраняющий конфиденциальность подход к федеративной аналитике, который оценивает локальную неоднородность данных трафика и выбирает подходящих клиентов для обучения модели.
4
FEAT выполняет аналитику локально и федеративно, сохраняя конфиденциальность данных о трафике на мобильных устройствах и учитывая неоднородность клиентов.
5
В FEAT неравенство Хёффдинга используется для вывода о неоднородности данных трафика, а алгоритм Thompson Sampling — для выбора клиентов, что обеспечивает теоретическое обоснование аналитики.
Research Object
конфиденциальная федеративная классификация сетевого трафика в гетерогенных мобильных средах
Research Subject
влияние перекоса данных клиентов и неоднородности сред на точность классификации, а также конфиденциальная федеративная аналитика для оценки перекоса и выбора клиентов
Publication Details
Publication Date
2022-09-08
Journal
Publisher
ISSN
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Глубокое обучение для классификации зашифрованного трафика: обзор2019
К внедрению решений на основе машинного обучения для классификации сетевого трафика: систематический обзор2018
FedCPF: эффективный с точки зрения коммуникационных затрат подход к федеративному обучению для периферийных вычислений в транспортных сетях связи 6G2021