基于深度学习的大规模移动应用识别
网络与互联网体系结构
2020-01-17 v2
摘要
许多网络服务与工具（例如网络监视器、恶意软件检测系统、ISP 中的路由与计费策略执行模块）依赖于识别通过网络传输的流量类型。随着移动设备的广泛使用、移动应用的极大多样性以及加密协议（如 TLS）的大量采用，大规模加密流量分类变得愈发困难。本文提出一种即便在加密流量下也能工作的移动应用识别深度学习模型。该模型仅需前几个数据包的载荷进行分类，因此即便对于依赖早期预测的应用（如路由与 QoS 供给）也适用。该深度模型对 80 个流行应用的识别准确率达到 84% 至 98%。我们还进行遮挡分析，以揭示 SSL/TLS 协议泄露了哪些数据从而支持准确的应用识别。此外，我们的流量分析显示许多应用不仅产生应用专属流量，还产生大量模糊流。模糊流是由常见功能模块（如广告与流量分析）产生的流。由于此类流在许多不同应用中普遍存在，识别产生模糊流的源应用具有挑战性。为应对该挑战，我们提出一种 CNN+LSTM 模型，利用相邻流学习多流的顺序与模式，以更好地识别产生它们的应用。我们表明这种流关联显著提高了准确率，尤其是对模糊流。进一步，我们表明我们的方法对混合流量场景具有鲁棒性，其中某些不相关流可能出现在相邻流中。据我们所知，这是首个识别模糊流源应用的工作。
引用
@article{arxiv.1910.02350,
title = {Large-scale Mobile App Identification Using Deep Learning},
author = {Shahbaz Rezaei and Bryce Kroencke and Xin Liu},
journal= {arXiv preprint arXiv:1910.02350},
year = {2020}
}