Deep Learning for Encrypted Traffic Classification and Unknown Data Detection.
Deep Learning for Encrypted Traffic Classification and Unknown Data Detection.
复制标题
对加密流量分类和未知数据检测的深度学习。
DOI：
10.3390/s22197643
复制
发表时间：
2022-10-09
期刊：
影响因子：
--
通讯作者：
Kondoz AM
中科院分区：
文献类型：
--
作者：
Pathmaperuma MH;Rahulamathavan Y;Dogan S;Kondoz AM
尽管广泛使用加密技术来提供互联网通信的机密性，但移动终端用户仍然容易受到隐私和安全风险的影响。在本文中，提出了一种新的基于用户活动检测框架的深度神经网络（DNN），用于从嗅探的加密互联网流量流中识别在移动的应用上执行的细粒度用户活动（称为应用内活动）。其中一个挑战是，有无数的应用程序，几乎不可能使用所有可能的数据收集和训练DNN模型。因此，在这项工作中，我们利用DNN输出层的概率分布来过滤来自模型训练期间未考虑的应用程序的数据（即，未知数据）。所提出的框架使用基于时间窗口的方法将活动的流量划分为段，以便仅通过观察一小部分活动相关流量来识别应用内活动。我们的测试表明，基于DNN的框架在识别先前训练的应用内活动方面的准确率为90%或更高，在使用该框架时，将先前未训练的应用内活动流量识别为未知数据的平均准确率为79%。
Despite the widespread use of encryption techniques to provide confidentiality over Internet communications, mobile device users are still susceptible to privacy and security risks. In this paper, a novel Deep Neural Network (DNN) based on a user activity detection framework is proposed to identify fine-grained user activities performed on mobile applications (known as in-app activities) from a sniffed encrypted Internet traffic stream. One of the challenges is that there are countless applications, and it is practically impossible to collect and train a DNN model using all possible data from them. Therefore, in this work, we exploit the probability distribution of a DNN output layer to filter the data from applications that are not considered during the model training (i.e., unknown data). The proposed framework uses a time window-based approach to divide the traffic flow of activity into segments so that in-app activities can be identified just by observing only a fraction of the activity-related traffic. Our tests have shown that the DNN-based framework has demonstrated an accuracy of 90% or above in identifying previously trained in-app activities and an average accuracy of 79% in identifying previously untrained in-app activity traffic as unknown data when this framework is employed.
登录
查看更多内容
影响因子：
5.6
作者：
Aceto, Giuseppe;Ciuonzo, Domenico;Pescape, Antonio
通讯作者：
Pescape, Antonio
影响因子：
3.9
作者：
Lopez-Martin, Manuel;Carro, Belen;Lloret, Jaime
通讯作者：
Lloret, Jaime
影响因子：
4.3
作者：
Jin, Bo;Cruz, Leandro;Goncalves, Nuno
通讯作者：
Goncalves, Nuno
DOI：
10.1109/tifs.2017.2737970
发表时间：
2018-01-01
影响因子：
6.8
作者：
Taylor, Vincent F.;Spolaor, Riccardo;Martinovic, Ivan
通讯作者：
Martinovic, Ivan
影响因子：
8.7
作者：
Aceto, Giuseppe;Ciuonzo, Domenico;Pescape, Antonio
通讯作者：
Pescape, Antonio