ATVITSC: новый метод классификации зашифрованного трафика на основе глубокого обучения

Рост распространения зашифрованной связи в современном интернете создает новые проблемы для классификации трафика и управления сетями. Традиционные методы классификации трафика неэффективны при обработке зашифрованного трафика. Кроме того, многие существующие методы либо опираются на вручную разработанные признаки, либо не способны адекватно извлечь скрытые шаблоны взаимодействия между пакетами данных. В данной работе мы предлагаем новый метод классификации зашифрованного трафика под названием Attention-based Vision Transformer and Spatiotemporal for Traffic Classification (ATVITSC). На этапе предобработки изображения на уровне пакетов в сессии, сгенерированные из полезной нагрузки пакетов, объединяются в одно изображение сессии для снижения информационной путаницы. На этапе классификации изображения сессии сначала обрабатываются модулем packet vision transformer (PVT), который использует энкодер трансформера и механизм многоголового самовнимания для захвата глобальных признаков. Параллельно изображения сессии также обрабатываются модулем извлечения пространственно-временных признаков (STFE), где пространственные признаки пакетов извлекаются сверткой с механизмом внимания, а временные признаки между пакетами затем объединяются двунаправленной LSTM (long short-term memory). Глобальные и пространственно-временные признаки объединяются в модуле feature fusion classification (FFC) с помощью механизма динамического взвешивания, и зашифрованный трафик окончательно классифицируется на основе объединенных признаков. Комплексные эксперименты на различных типах зашифрованного трафика, включая виртуальные частные сети (VPN), сеть луковых маршрутизаторов (Tor), вредоносный трафик и мобильный трафик, показывают, что ATVITSC повышает значения macro-F1 до 97.88%, 98.79%, 99.67% и 94.90% соответственно. Результаты также демонстрируют, что ATVITSC обеспечивает лучшую точность классификации и обобщающую способность по сравнению с современными методами.