Rosetta: обеспечение надежной классификации зашифрованного TLS-трафика в различных сетевых средах с помощью аугментации трафика с учетом TCP

Rosetta: Enabling Robust TLS Encrypted Traffic Classification in Diverse Network Environments with TCP-Aware Traffic Augmentation
Enhuan Dong, Qi Li, Jiahao Cao, Kun Sun, Menghao Zhang, Renjie Xie, Yixiao Wang, Mingwei Xu, Licheng Shen, Ming Xu
2023-07-28

аугментация трафика с учетом TCPклассификация зашифрованного TLS-трафикамодели глубокого обученияустойчивые признаки TLS-потоковсамоконтролируемое обучение
Поскольку большая часть интернет-трафика шифруется протоколом Transport Layer Security (TLS), в современных исследованиях для классификации зашифрованного трафика применяются модели глубокого обучения (DL). Мы предлагаем Rosetta для обеспечения надежной классификации зашифрованного TLS-трафика с использованием существующих моделей DL. Метод использует механизмы аугментации трафика с учетом особенностей TCP и самоконтролируемое обучение для выявления неявной семантики TCP и, таким образом, извлечения устойчивых признаков потоков TLS. Результаты масштабных экспериментов показывают, что Rosetta значительно повышает качество классификации TLS-трафика существующими моделями DL в различных сетевых средах.
1
Масштабные эксперименты показывают значительное повышение качества классификации существующих моделей глубокого обучения при работе с TLS-трафиком.
2
Rosetta повышает устойчивость существующих моделей глубокого обучения для классификации TLS-зашифрованного трафика в различных сетевых средах.
3
Rosetta применяет самосупервизорное обучение для получения устойчивых представлений зашифрованного TLS-трафика без опоры исключительно на размеченные данные.
4
Метод использует аугментацию трафика с учетом TCP, чтобы раскрыть неявную семантику TCP и улучшить извлечение признаков TLS-потоков.

Зашифрованный TLS сетевой трафик (TLS-потоки) в различных сетевых средах

Устойчивое распознавание и извлечение признаков TLS-потоков в различных сетевых средах

Publication Details
Publication Date
2023-07-28
Journal
Publisher
ISSN
Cited by
84
Access Type
Author Information
Authors
Enhuan Dong
Qi Li
Jiahao Cao
Kun Sun
Menghao Zhang
Renjie Xie
Yixiao Wang
Mingwei Xu
Licheng Shen
Ming 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%