面向基于 DL 的流量分类器更新的自主未知应用过滤与标注
网络与互联网体系结构
2020-02-19 v1 信号处理
摘要
网络流量分类已被广泛研究以从根本上推进网络测量与管理。机器学习是网络流量分类的有效方法之一。具体而言，深度学习（DL）因其在不损害用户隐私和网络安全的情况下对加密网络流量也有效而吸引了研究人员的广泛关注。然而，现有多数模型基于封闭世界数据集创建，因此只能分类先前采样并标注过的那些已有类别。在这种情况下，未知类别无法被正确分类。为解决此问题，提出一种自主学习框架，以在主动运行期间有效更新基于 DL 的流量分类模型。所提框架的核心由一个基于 DL 的分类器、一个自学习判别器和一个自主自标注模型组成。判别器和自标注过程可在主动运行期间生成新数据集以支持分类器更新。所提框架的评估在开放数据集（即 ISCX VPN-nonVPN）和独立收集的数据包上进行。结果表明，所提自主学习框架能够过滤来自未知类别的数据包并提供准确标签。因此，相应的基于 DL 的分类模型可利用自主生成的数据集成功更新。
引用
@article{arxiv.2002.06359,
title = {Autonomous Unknown-Application Filtering and Labeling for DL-based Traffic Classifier Update},
author = {Jielun Zhang and Fuhao Li and Feng Ye and Hongyu Wu},
journal= {arXiv preprint arXiv:2002.06359},
year = {2020}
}