Глубокое обучение для классификации зашифрованного трафика: обзор
Deep Learning for Encrypted Traffic Classification: An Overview
2019-05-01
SCID: 54.1/ybuy6nhq
Discuss with AI
интернет-трафикглубокое обучениеклассификация зашифрованного трафикасистемы обнаружения вторженийобеспечение качества обслуживания
Figures from the paper
Abstract (AI)
Классификация трафика изучается на протяжении двух десятилетий и применяется в широком спектре задач — от обеспечения качества обслуживания (QoS) и выставления счетов интернет-провайдерами (ISP) до задач, связанных с безопасностью, в межсетевых экранах и системах обнаружения вторжений. В прошлом широко использовались методы классификации на основе номеров портов, глубокая инспекция пакетов и классические методы машинного обучения, однако их точность снизилась из-за значительных изменений в интернет-трафике, особенно вследствие увеличения доли зашифрованного трафика. С распространением методов глубокого обучения исследователи недавно начали изучать их применение для классификации трафика и сообщили о высокой точности. В этой статье мы представляем общую схему классификации трафика на основе глубокого обучения. Мы рассматриваем широко используемые методы глубокого обучения и их применение в задачах классификации трафика. Затем мы обсуждаем нерешённые проблемы, вызовы и перспективы классификации трафика.
Key Findings
1
Методы глубокого обучения недавно начали применяться к классификации трафика и демонстрируют высокую точность несмотря на рост зашифрованного трафика.
2
В статье разработана общая схема классификации трафика на основе глубокого обучения и рассмотрены распространённые методы глубокого обучения для этих задач.
3
В обзоре выделены нерешённые проблемы, вызовы и возможности дальнейшего применения глубокого обучения для классификации трафика.
4
Традиционные методы классификации по портам, анализу пакетов и классическому машинному обучению теряют точность из-за роста доли зашифрованного интернет-трафика.
Research Object
зашифрованный интернет-трафик
Research Subject
точность, методы, проблемы и применения классификации трафика на основе глубокого обучения
Publication Details
Publication Date
2019-05-01
Journal
Publisher
ISSN
Cited by
701
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью14
ET-BERT: контекстуализированное представление датаграмм с использованием предварительно обученных трансформеров для классификации зашифрованного трафика2022
Глубокое обучение для мониторинга и анализа сетевого трафика (NTMA): обзор2021
PERT: представление кодирования полезной нагрузки на основе трансформера для классификации зашифрованного трафика2020
Новая мультимодальная модель глубокого обучения для классификации зашифрованного трафика2022
Обучение классификации: основанная на потоках реляционная сеть для классификации зашифрованного трафика2020
Полуконтролируемая классификация зашифрованного трафика с использованием глубоких сверточных генеративно-состязательных сетей2019
Классификация зашифрованного сетевого трафика с использованием глубоких и параллельных моделей «сеть в сети»2020
ATVITSC: новый метод классификации зашифрованного трафика на основе глубокого обучения2024
Глубокое обучение для классификации зашифрованного трафика и обнаружения неизвестных данных2022
Классификация зашифрованного трафика на пропускной способности («line rate») в программируемых коммутаторах с использованием машинного обучения2024
FG-SAT: эффективный граф потоков для классификации зашифрованного трафика в условиях сдвига среды2025
Влияние сетевого окружения на классификацию трафика2022
Интеллектуальная методика глубокого обучения для выявления и профилирования трафика даркнета2026
FEAT: федеративный подход к классификации сетевого трафика с сохранением конфиденциальности в гетерогенных средах2022