Классификация зашифрованного сетевого трафика с использованием глубоких и параллельных моделей «сеть в сети»

Классификация сетевого трафика направлена на распознавание различных типов приложений или трафика путем анализа полученных пакетов данных. В статье представлена нейросетевая модель с глубокими и параллельными структурами «сеть в сети» (NIN) для классификации зашифрованного сетевого трафика. В отличие от стандартных сверточных нейронных сетей (CNN), NIN использует микросеть после каждого сверточного слоя для улучшения локального моделирования. Кроме того, перед финальной классификацией в NIN применяется глобальное усредняющее объединение вместо традиционных полносвязных слоев, что значительно уменьшает число параметров модели. В предлагаемом методе глубокие модели NIN с несколькими сверточными слоями на основе многослойных перцептронов (MLP) строятся для отображения векторов пакетов фиксированной длины на метки приложений или типов трафика. Кроме того, разработана стратегия параллельного принятия решений на основе двух подсетей, отдельно обрабатывающих заголовки и тела пакетов, поскольку они могут содержать различные признаки, полезные для классификации. Результаты экспериментов на наборе данных зашифрованного трафика «ISCX VPN-nonVPN» показывают, что модели NIN обеспечивают лучший компромисс между точностью классификации и сложностью модели по сравнению с традиционными CNN. Стратегия параллельного принятия решений позволяет дополнительно повысить точность классификации зашифрованного сетевого трафика по сравнению с одной моделью NIN. В итоге на тестовой выборке получены значения F1-меры 0,983 и 0,985 для характеристики трафика и идентификации приложений соответственно.