CBR——通过带分布外检索加密网络流量提升自适应分类
机器学习
2024-03-20 v1 密码学与安全
网络与互联网体系结构
摘要
加密网络流量分类从不同方法和不同目标着手解决该问题。一种常见的方法是在固定数量的类别上使用机器学习或深度学习解决方案，这导致当输入未知类别时会发生误分类。处理未知类别的解决方案之一是重新训练模型，然而，每次模型过时就重新训练既耗费资源又耗时。因此，越来越需要允许分类模型动态检测并适应新类别，而无需重新训练，而是能够使用少样本学习[1]检测新类别。在本文中，我们引入了自适应检索分类（CBR），一种用于加密网络流量分类的新方法。我们的新方法基于人工神经网络（ANN），使我们能够在不重新训练模型的情况下有效识别新类别和现有类别。这种新颖的方法简单但有效，在分类任务中取得了与随机森林（RF）相似的结果，差异最高为 5%（通常低于该值），而在不重新训练的情况下处理新样本（来自新类别）时性能仅略有下降。总而言之，新方法是一种实时分类方法，可以在不重新训练的情况下对新类别进行分类。此外，我们的解决方案可以作为 RF 或任何其他机器/深度学习分类方法的补充方案，作为聚合解决方案使用。
引用
@article{arxiv.2403.11206,
title = {CBR -- Boosting Adaptive Classification By Retrieval of Encrypted Network Traffic with Out-of-distribution},
author = {Amir Lukach and Ran Dubin and Amit Dvir and Chen Hajaj},
journal= {arXiv preprint arXiv:2403.11206},
year = {2024}
}