[論文レビュー] ByteSGAN: A Semi-supervised Generative Adversarial Network for Encrypted Traffic Classification of SDN Edge Gateway in Green Communication Network

Pan Wang, Zixuan Wang+2 more|arXiv (Cornell University)|Mar 9, 2021

Internet Traffic Analysis and Secure E-voting参考文献 23被引用数 4

ひとこと要約

本稿では、グリーン通信ネットワーク内のSDNエッジゲートウェイにおける暗号化トラフィック分類を目的とした、半教師あり生成対抗ネットワークであるByteSGANを提案する。少量のラベル付きデータと豊富なラベルなしトラフィックデータを活用することで、修正されたGANディスクリミネータ構造と新規損失関数を用いて分類精度を向上させ、従来の教師あり手法（例：CNN）を上回る性能を発揮した。ISCX2012 VPN-nonVPNデータセット上で評価された。

ABSTRACT

With the rapid development of Green Communication Network, the types and quantity of network traffic data are accordingly increasing. Network traffic classification become a non-trivial research task in the area of network management and security, which not only help to improve the fine-grained network resource allocation, but also enable policy-driven network management. Meanwhile, the combination of SDN and Edge Computing can leverage both SDN at its global visiability of network-wide and Edge Computing at its low latency and good privacy-preserving. However, capturing large labeled datasets is a cumbersome and time-consuming manual labor. Semi-Supervised learning is an appropriate technique to overcome this problem. With that in mind, we proposed a Generative Adversarial Network (GAN)-based Semi-Supervised Learning Encrypted Traffic Classification method called \emph{ByteSGAN} embedded in SDN Edge Gateway to achieve the goal of traffic classification in a fine-grained manner to further improve network resource utilization. ByteSGAN can only use a small number of labeled traffic samples and a large number of unlabeled samples to achieve a good performance of traffic classification by modifying the structure and loss function of the regular GAN discriminator network in a semi-supervised learning way. Based on public dataset 'ISCX2012 VPN-nonVPN', two experimental results show that the ByteSGAN can efficiently improve the performance of traffic classifier and outperform the other supervised learning method like CNN.

研究の動機と目的

• グリーン通信ネットワークにおけるラベル付き暗号化トラフィックデータの不足に課題に対処すること。
• QoE指向のネットワーク管理およびポリシー実行を目的とした、細粒度なトラフィック分類精度の向上。
• 手動ラベリングのコストを低減するため、SDNエッジゲートウェイに半教師あり学習を統合すること。
• ネットワークリソースの効率的利用を促進し、プライバシー保護型で低遅延なエッジでのトラフィック分類を実現すること。
• 暗号化トラフィック環境下でのDPIおよび従来の機械学習手法の限界を克服すること。

提案手法

• 標準的なGANフレームワークを改変し、ラベル付きおよびラベルなしデータの両方を活用する半教師あり学習を可能にするディスクリミネータを設計する。
• 敵対的損失と分類損失を組み合わせたハイブリッド損失関数を導入し、ディスクリミネータをラベル付きデータで訓練すると同時に、ラベルなしデータを特徴抽出に活用する。
• 訓練済みのByteSGANモデルをSDNエッジゲートウェイに統合し、リアルタイムで低遅延なトラフィック分類を実現する。
• ディスクリミネータが共有特徴表現を用いて、異常検知とトラフィッククラス予測の両方を実行する、修正されたアーキテクチャを採用する。
• 生成器を訓練して、限られたラベル付きデータセットを補完するためのリアルな暗号化トラフィックサンプルを生成する。
• 畳み込み層による特徴抽出により、ネットワークフロー特徴量の時間的および統計的パターンを捉える。

実験結果

リサーチクエスチョン

• RQ1 半教師ありGANベースのアプローチは、最小限のラベル付きデータで高精度な暗号化トラフィック分類を達成できるか？
• RQ2 ByteSGANは、CNNなどの教師ありディープラーニングモデルと比較して、暗号化トラフィック分類において優れた性能を示すか？
• RQ3 SDNエッジゲートウェイ環境下で、ラベルなしトラフィックデータが分類性能をどの程度向上できるか？
• RQ4 SDNエッジゲートウェイにByteSGANを統合することで、効率的で低遅延かつプライバシー保護型のトラフィック分類が可能になるか？
• RQ5 修正されたGANディスクリミネータは、ラベル付きおよびラベルなし暗号化トラフィックから、効果的な識別的特徴を学習できるか？

主な発見

• ByteSGANは、ISCX2012 VPN-nonVPNデータセットにおいて、教師ありCNNモデルを上回る優れた分類精度を達成した。
• 少数のラベル付きサンプルしか利用しない状況でも高い性能を維持しており、低教師信号環境下での優れた一般化性能を示した。
• ラベルなしデータの統合により、明示的なラベリングなしに意味のある表現をディスクリミネータが学習できる能力が著しく向上した。
• 半教師あり学習戦略により、高コストな手動ラベリングへの依存度が低下した一方で、暗号化トラフィックの複雑さに対しても頑健な性能を維持した。
• ByteSGANは、グリーン通信ネットワークにおけるQoE提供およびポリシー駆動型ネットワーク管理に適した細粒度トラフィック分類を可能にした。
• 提案手法は敵対的訓練と分類損失のバランスを適切にとることで、収束性と精度の両方を向上させた。