Классификация зашифрованного трафика на пропускной способности («line rate») в программируемых коммутаторах с использованием машинного обучения

Классификация зашифрованного трафика (ETC) стала важной областью исследований, где методами состояния искусства являются методы машинного обучения (ML). Однако большинство существующих решений либо опираются на офлайн-ETC на основе собранных сетевых данных, либо на онлайн-ETC с моделями, выполняющимися в управляющей плоскости программно определяемых сетей (SDN); ни одно из этих решений не работает на пропускной способности канала (line rate) и не удовлетворяет требованиям по задержке для чувствительных ко времени приложений в современных сетях. В этой работе используются последние достижения в программируемости плоскости данных для реализации ETC в реальном времени в программируемых коммутаторах на пропускной способности канала, обеспечивая высокую пропускную способность и низкую задержку. Предложенное решение включает (i) процесс моделирования на основе Random Forest (RF), ориентированный на ETC, где используются только признаки, основанные на размере пакета и времени его прибытия, и (ii) кодирование обученной модели RF в промышленно готовые коммутаторы, программируемые на P4. Производительность предлагаемой в-коммутаторной ETC-структуры оценивалась с использованием трёх наборов данных зашифрованного трафика в экспериментах на реальном тестбене с коммутаторами Intel Tofino в присутствии фонового трафика со скоростью 40 Gbps. Результаты показывают, что решение обеспечивает высокую точность классификации до 95% при задержках субмикросекундного уровня, потребляя в среднем менее 10% от общего доступного аппаратного ресурса коммутатора.