AutoML4ETC: Automated Neural Architecture Search for Real-World Encrypted Traffic Classification

要約

ディープラーニング（DL）は、実験的な設定において暗号化されたネットワークトラフィックの分類への適用に成功している。しかし、実運用においては、DL分類器の性能は時間の経過とともに必然的に低下することが示されています。新しいデータセットでモデルを再トレーニングしても、その性能は部分的にしか向上しないことが示されています。新しいデータセットで期待される性能を満たすためにモデルアーキテクチャを手動で再チューニングすることは、時間がかかり、専門知識を必要とします。我々は、暗号化トラフィック分類のための効率的で高性能なニューラルアーキテクチャを自動的に設計するための新しいツールであるAutoML4ETCを提案する。パケットヘッダーバイトを用いた暗号化トラフィックのほぼリアルタイムな分類に特化した、新しく強力な探索空間を定義する。AutoML4ETCは、我々の探索空間上で様々な探索戦略を用いて、公開ベンチマークデータセットやOrangeモバイルネットワークから収集された実世界のTLSおよびQUICトラフィックを含むいくつかのデータセットにおいて、最先端の暗号化トラフィック分類器を凌駕するニューラルアーキテクチャを生成することを示す。AutoML4ETCのアーキテクチャは、精度が高いだけでなく、パラメータ数も大幅に効率化され、軽量化されています。最後に、今後の研究のためにAutoML4ETCを公開します。

要約(オリジナル)

Deep learning (DL) has been successfully applied to encrypted network traffic classification in experimental settings. However, in production use, it has been shown that a DL classifier’s performance inevitably decays over time. Re-training the model on newer datasets has been shown to only partially improve its performance. Manually re-tuning the model architecture to meet the performance expectations on newer datasets is time-consuming and requires domain expertise. We propose AutoML4ETC, a novel tool to automatically design efficient and high-performing neural architectures for encrypted traffic classification. We define a novel, powerful search space tailored specifically for the near real-time classification of encrypted traffic using packet header bytes. We show that with different search strategies over our search space, AutoML4ETC generates neural architectures that outperform the state-of-the-art encrypted traffic classifiers on several datasets, including public benchmark datasets and real-world TLS and QUIC traffic collected from the Orange mobile network. In addition to being more accurate, AutoML4ETC’s architectures are significantly more efficient and lighter in terms of the number of parameters. Finally, we make AutoML4ETC publicly available for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL