Анализ влияния изменений в зашифрованном трафике мобильных приложений на мультимодальное обучение по малому числу примеров

Analyzing the impact of shifts in encrypted mobile-app traffic on multimodal few-shot learning
Antonio Montieri, Antonio Pescapè, Valerio Persico, Giampaolo Bovenzi, Davide Di Monda
2025-12-15

Meta Mimeticзашифрованный трафик мобильных приложениймультимодальное обучение по нескольким примерамклассификация трафикасдвиги трафика
Управление сетями имеет решающее значение для обеспечения эффективной и безопасной работы Интернета, а классификация трафика является одним из его ключевых компонентов. В настоящее время классификация трафика сталкивается с растущими трудностями из-за широкого распространения высокодинамичного трафика мобильных приложений, обусловленного постоянным выпуском новых приложений, частыми обновлениями, изменением моделей взаимодействия и ужесточением протоколов шифрования. Эти изменения могут существенно трансформировать характеристики трафика, что затрудняет поддержание современных классификаторов трафика на основе машинного и глубокого обучения в актуальном состоянии вследствие острой нехватки современных высококачественных наборов данных о трафике, необходимых для обучения и адаптации таких моделей, управляемых данными. Обучение по малому числу примеров (Few-Shot Learning, FSL) представляет собой перспективное решение, позволяющее выполнять классификацию даже при наличии лишь ограниченного объема размеченных данных о трафике. Однако исследования применения FSL в области классификации трафика все еще находятся на ранней стадии, а влияние изменений трафика в значительной степени остается неизученным. В данной статье мы оцениваем, как трафик новых приложений (не наблюдавшихся при обучении) и приложений с изменившимся трафиком (затронутых изменениями трафика) влияет на эффективность классификации, используя Meta Mimetic — современный мультимодальный подход FSL. Meta Mimetic использует несколько представлений данных о трафике и включает специальную процедуру обучения для адаптации к изменяющемуся трафику мобильных приложений с использованием минимального объема данных, размеченных под контролем. Эксперименты проведены на двух общедоступных наборах данных, включающих новые приложения и приложения с изменившимся трафиком. Сначала мы оцениваем наличие изменений трафика в приложениях с изменившимся трафиком с помощью статистического моделирования на основе марковских моделей и исследуем влияние учета такого трафика на эффективность Meta Mimetic. Затем мы показываем, что Meta Mimetic обладает высокой адаптивностью к изменениям, вызванным ужесточением протоколов шифрования: ухудшение эффективности в 2 раза меньше, чем у одномодальных базовых методов, что дополнительно подтверждается с использованием объяснимого искусственного интеллекта (eXplainable AI, XAI). Наконец, в случае ex...
1
Анализ с использованием объяснимого ИИ дополнительно подтверждает устойчивость Meta Mimetic к сдвигам зашифрованного мобильного трафика.
2
Для выявления и характеристики изменений трафика в приложениях со сдвигами применяется статистическое моделирование на основе марковских моделей.
3
Meta Mimetic хорошо адаптируется к сдвигам, вызванным ужесточением протоколов шифрования, демонстрируя двукратно меньшее падение качества по сравнению с одномодальными базовыми методами.
4
Meta Mimetic объединяет несколько представлений трафика с адаптивной процедурой обучения для классификации изменяющегося трафика приложений при использовании минимального объёма размеченных данных.
5
Исследование оценивает влияние новых, не встречавшихся при обучении приложений, и приложений со сдвигами трафика на классификацию зашифрованного мобильного трафика методом few-shot learning.

зашифрованный трафик мобильных приложений, включая трафик новых приложений и приложений с изменившимся трафиком

влияние сдвигов трафика на эффективность и адаптивность мультимодальной классификации трафика в условиях обучения по небольшому числу примеров

Publication Details
Publication Date
2025-12-15
Journal
Publisher
ISSN
Cited by
3
Access Type
Author Information
Authors
Antonio Montieri
Antonio Pescapè
Valerio Persico
Giampaolo Bovenzi
Davide Di Monda
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%