PacketCGAN:基于 CGAN 的加密流量分类中类不平衡问题的探索性研究
密码学与安全
2019-11-28 v1 信号处理
摘要
随着深度学习(DL)在图像处理、计算机视觉和自然语言处理(NLP)领域的应用日益增多,研究者已开始将 DL 应用于解决加密流量分类问题。尽管这些方法能自动提取流量特征,克服传统分类方法(如 DPI)在特征工程方面的困难,但需大量数据以学习各类流量的特征。因此,分类模型的性能在很大程度上依赖于数据集的质量。然而,数据集的构建尤其是加密流量数据是一项耗时且昂贵的任务。显然,收集大量小众加密应用的流量样本通常比知名应用更困难,这导致数据集中主流与小众加密应用之间存在类不平衡问题。本文提出一种名为 PacketCGAN 的新型流量数据增强方法,使用条件 GAN(Conditional GAN)。作为一种生成模型,PacketCGAN 利用 CGAN 的优势生成指定流量,以解决数据集不平衡问题。作为概念验证,采用并设计了三种经典 DL 模型(如卷积神经网络(CNN))来分类基于两个公共数据集 ISCX2012 和 USTC-TFC2016、分别由随机过采样(ROS)、SMOTE(合成少数类过采样技术)、普通 GAN 和 PacketCGAN 增强的四个加密流量数据集。实验评估结果表明,基于 PacketCGAN 增强数据集的 DL 加密流量分类器可达到优于其他方法的性能。
引用
@article{arxiv.1911.12046,
title = {PacketCGAN: Exploratory Study of Class Imbalance for Encrypted Traffic Classification Using CGAN},
author = {Pan Wang and Shuhang Li and Feng Ye and Zixuan Wang and Moxuan Zhang},
journal= {arXiv preprint arXiv:1911.12046},
year = {2019}
}