Обучение классификации: основанная на потоках реляционная сеть для классификации зашифрованного трафика
Learning to Classify: A Flow-Based Relation Network for Encrypted Traffic Classification
2020-04-20
SCID: 54.1/k2z8q4x6
Discuss with AI
сетевая модель на основе потоков отношенийклассификация зашифрованного трафикаклассификация по малому числу примеровклассификация несбалансированных данныхметаобучение
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
зашифрованные потоки сетевого трафика
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Глубокое обучение для классификации зашифрованного трафика: обзор2019
Классификация зашифрованного мобильного трафика с использованием глубокого обучения: экспериментальная оценка, извлеченные уроки и проблемы2019
Deep-Full-Range: фреймворк на основе глубокого обучения для классификации зашифрованного сетевого трафика и обнаружения вторжений2019
Обзор методов классификации зашифрованного трафика мобильных сервисов с использованием глубокого обучения2019
Работы, цитирующие эту статью3
ET-BERT: контекстуализированное представление датаграмм с использованием предварительно обученных трансформеров для классификации зашифрованного трафика2022
TFE-GNN: энкодер временного объединения на основе графовых нейронных сетей для детальной классификации зашифрованного трафика2023
Визуализация маршрутов трафика: классификация зашифрованного трафика с использованием признаков сигнатур маршрута2022