Классификация приложений зашифрованного TLS-трафика с использованием машинного обучения и инженерии фич потока

Классификация сетевого трафика становится все более важной по мере стремительного роста числа устройств, подключенных к Интернету. Пропорционально этому увеличивается и объем зашифрованного трафика, что делает методы классификации на основе полезной нагрузки устаревшими. Следовательно, при учете конфиденциальности пользователей подходы машинного обучения становятся критически важными. В этой работе мы предлагаем точный, быстрый и сохраняющий приватность метод классификации зашифрованного трафика с помощью извлечения сконструированных признаков потока и соответствующего отбора признаков. Предложенная схема достигает макро-усредненного F1 = 0.92899 и макро-усредненной mAP = 0.88313 для классификации зашифрованного трафика классов Audio, Email, Chat и Video, сформированных из набора данных non-vpn2016. Дополнительно проведены эксперименты на смешанном наборе потоков (незашифрованные и зашифрованные) с применением метода аугментации данных Synthetic Minority Over-Sampling Technique, и обсуждаются результаты для TLS-зашифрованных и смешанных потоков.