Обучение классификации: основанная на потоках реляционная сеть для классификации зашифрованного трафика

Learning to Classify: A Flow-Based Relation Network for Encrypted Traffic Classification
Wenbo Zheng, Chao Gou, Lan Yan, Shaocong Mo
2020-04-20

сетевая модель на основе потоков отношенийклассификация зашифрованного трафикаклассификация по малому числу примеровклассификация несбалансированных данныхметаобучение
По мере увеличения объема и разнообразия сетевого трафика мониторинг и его анализ становятся все более сложными задачами. Основными проблемами классификации зашифрованного трафика являются несбалансированность сетевых данных, обобщение на ранее не встречавшиеся наборы данных и чрезмерная зависимость от объема данных. В данной работе предлагается подход метаобучения для решения этих проблем при классификации зашифрованного трафика, получивший название Flow-Based Relation Network (RBRN) — реляционная сеть на основе потоков. RBRN представляет собой сквозную модель классификации, которая извлекает репрезентативные признаки из необработанных потоков, а затем классифицирует их в рамках единой архитектуры. Кроме того, разработан «галлюцинатор» для генерации дополнительных обучающих образцов при несбалансированной классификации, а метаобучение используется для классификации ранее не встречавшихся категорий по небольшому числу размеченных образцов. Эффективность RBRN проверена на реальном наборе данных о сетевом трафике. Результаты экспериментов показывают, что RBRN обеспечивает высокое качество классификации и превосходит современные методы классификации зашифрованного трафика. Более того, модель, обученная на реальном наборе данных, хорошо обобщается на ранее не встречавшиеся наборы данных и превосходит несколько современных методов.
1
Разработанный галлюцинатор генерирует дополнительные обучающие образцы для решения проблемы дисбаланса классов в данных зашифрованного трафика.
2
Эксперименты на реальных данных о сетевом трафике показали высокую эффективность RBRN, превосходство над современными методами и хорошую обобщающую способность на невиданные наборы данных.
3
Метаобучение позволяет классифицировать ранее невиданные категории трафика по небольшому числу размеченных образцов.
4
RBRN объединяет обучение репрезентативных признаков и классификацию в единой архитектуре, снижая зависимость от вручную разработанных признаков.
5
В работе представлен Flow-Based Relation Network (RBRN) — сквозная модель метаобучения для классификации зашифрованного трафика по исходным сетевым потокам.

зашифрованные потоки сетевого трафика

эффективность классификации и обобщение на несбалансированные и ранее не встречавшиеся категории трафика по небольшому числу размеченных образцов

Publication Details
Publication Date
2020-04-20
Journal
Publisher
ISSN
Cited by
122
Access Type
Author Information
Authors
Wenbo Zheng
Chao Gou
Lan Yan
Shaocong Mo
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%