[論文レビュー] Traffic Analysis with Deep Learning.

Se Eun Oh, Saikrishna Sunkam+1 more|arXiv (Cornell University)|Nov 10, 2017

Internet Traffic Analysis and Secure E-voting被引用数 3

ひとこと要約

本論文は、トラフィック解析における深層ニューラルネットワーク（DNN）の包括的応用を初めて提示し、ウェブサイトフォグリプティングおよびフォグリプタビリティ予測のための特徴抽出における有効性を示している。DNNは、100,000件のバックグラウンドサイトの中から100件のターゲットサイトのうち1つを特定する際、91%の真正陽性率（TPR）と1%の偽陽性率（FPR）を達成した。また、4,500件のウェブサイトインスタンスにおいてフォグリプタビリティを99%の精度で予測した。

ABSTRACT

Deep Neural Networks (DNN) has obtained enormous attention with its advantageous feature learning and its powerful prediction ability. In this paper, we broadly study the applicability of deep learning to traffic analysis and present its effectiveness on the feature extraction for state-of-the-art machine learning algorithms, website and keyword fingerprinting attacks, and the prediction on the fingerprintability of websites. To the best of our knowledge, this is the first extensive work to introduce various applications using DNN in traffic analysis. With great help of DNN, the quality of cutting edge website fingerprinting attacks is upgraded while the feature dimension becomes much lower. As the classifiers, DNN successfully detects which website the user visited among 100 websites with 91% TPR and 1% FPR against 100,000 background websites, and as the fingerprintability predictors, it almost perfectly determines the fingerprintability of 4,500 website traffic instances with 99% of accuracy.

研究の動機と目的

• 深層ニューラルネットワーク（DNN）がトラフィック解析における特徴学習と予測の向上に応用可能かどうかを調査すること。
• トラフィック解析タスクにおける最先端の機械学習アルゴリズムの性能を向上させるために、特徴次元を低減すること。
• 多数のバックグラウンドウェブサイトの中からウェブサイトの閲覧を検出するDNNの有効性を評価すること。
• トラフィックパターンに基づいて、DNNがウェブサイトのフォグリプタビリティをどの程度正確に予測できるかを評価すること。

提案手法

• 生のネットワークトラフィックデータから特徴を自動的に学習するための深層ニューラルネットワーク（DNN）の活用。
• 100,000件のバックグラウンドウェブサイトの中から100件のターゲットウェブサイトを識別するためのDNNを分類器として使用。
• 4,500件のウェブサイトインスタンスのトラフィック特性に基づいて、DNNを用いてフォグリプタビリティを予測するための訓練。
• DNNを用いて高次元のトラフィック特徴を低次元表現に縮小し、モデルの効率性と性能を向上させること。
• ウェブサイトフォグリプティングには分類タスク、フォグリプタビリティ予測には回帰タスクとしてDNNをそれぞれ適用。
• 手動による特徴工学を伴わず、DNNの階層的特徴学習により複雑なトラフィックパターンを捉えること。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、トラフィック解析タスクのための意味のある特徴をネットワークトラフィックから効果的に抽出できるか？
• RQ2 従来の手法と比較して、DNNはウェブサイトフォグリプティング攻撃の精度と効率をどの程度向上できるか？
• RQ3 トラフィックパターンに基づいて、DNNはウェブサイトのフォグリプタビリティをどの程度正確に予測できるか？
• RQ4 DNNは、トラフィック解析における分類性能を維持または向上させつつ、特徴次元を低減できるか？

主な発見

• DNNは、100,000件のバックグラウンドサイトの中から100件のターゲットウェブサイトのうち1つを特定する際、91%の真正陽性率（TPR）と1%の偽陽性率（FPR）を達成した。
• DNNの活用により、ウェブサイトフォグリプティングにおける高い分類精度を維持しながら、特徴次元を顕著に低減した。
• DNNは、4,500件のウェブサイトトラフィックインスタンスのフォグリプタビリティを99%の精度で予測し、ほぼ完璧な性能を示した。
• 本研究は、特徴学習、分類、予測を含む複数のトラフィック解析タスクにおいて、DNNの有効性を包括的に初めて示した。
• 結果から、DNNはトラフィック解析における精度と特徴表現の質の両面で、従来手法を上回ることが明らかになった。