Полуконтролируемая классификация зашифрованного трафика с использованием глубоких сверточных генеративно-состязательных сетей

Классификация сетевого трафика служит основой для решения важных задач, таких как обеспечение безопасности и управление качеством обслуживания. Это направление исследуется уже длительное время, и в настоящее время доступно множество методов, включая классическое машинное обучение и методы глубокого обучения. Однако появление более надежных протоколов шифрования привело к возникновению новых проблем. Одна из них заключается в сборе и разметке больших объемов данных о зашифрованном трафике, особенно для обучения классификаторов глубокого обучения, поскольку существующие методы опираются на инструменты глубокой инспекции пакетов (DPI), которые плохо работают с зашифрованным трафиком. В данной работе предлагается подход к полуконтролируемому обучению с использованием глубокой сверточной генеративно-состязательной сети (DCGAN). Основная идея заключается в использовании образцов, сгенерированных генераторами DCGAN, совместно с неразмеченными данными для повышения эффективности классификатора, обученного на небольшом количестве размеченных образцов, что позволяет уменьшить трудности, связанные со сбором и разметкой больших наборов данных. Для демонстрации эффективности подхода мы оценили предложенную модель на самостоятельно собранном наборе данных протокола QUIC, недавно введенного в эксплуатацию, а также на общедоступном наборе данных ISCX VPN-NonVPN. Предложенный подход обеспечивает точность 89% и 78% при использовании очень небольшого числа размеченных образцов — всего 10% набора данных — для наборов данных QUIC и ISCX VPN-NonVPN соответственно.