[논문 리뷰] ByteSGAN: A Semi-supervised Generative Adversarial Network for Encrypted Traffic Classification of SDN Edge Gateway in Green Communication Network

Pan Wang, Zixuan Wang외 2명|arXiv (Cornell University)|2021. 03. 09.

Internet Traffic Analysis and Secure E-voting참고 문헌 23인용 수 4

한 줄 요약

이 논문은 녹색 통신 네트워크 내 SDN 엣지 게이트웨이에서 암호화된 트래픽 분류를 위해 설계된 반감독형 생성적 적대적 네트워크인 ByteSGAN을 제안한다. 소량의 레이블된 데이터와 풍부한 레이블이 없는 트래픽 데이터를 활용하여, 수정된 GAN 생성자 구조와 새로운 손실 함수를 통해 분류 정확도를 향상시킨다. 이는 ISCX2012 VPN-nonVPN 데이터셋에서 기존의 감독 학습 기반 방법(예: CNN)보다 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 녹색 통신 네트워크에서 레이블이 부족한 암호화된 트래픽 데이터 문제를 해결하기 위해.
• QoS 기반 네트워크 관리 및 정책 시행을 위한 정교한 트래픽 분류 정확도를 향상시키기 위해.
• 수동 레이블링에 의존도를 줄이기 위해 SDN 엣지 게이트웨이에 반감독 학습을 통합하기 위해.
• 네트워크 자원 활용도를 향상시키고, 프라이버시 보호 및 저지연 분류를 지원하기 위해 네트워크 엣지에서의 효율적인 트래픽 분류를 실현하기 위해.
• 암호화된 트래픽 환경에서 DPI 및 전통적 머신러닝 방법의 한계를 극복하기 위해.

제안 방법

• 표준 GAN 프레임워크를 수정하여 레이블된 데이터와 레이블이 없는 데이터를 모두 활용하는 반감독 학습을 지원하는 디스criminator를 적용한다.
• 적대적 손실과 분류 손실을 조합한 하이브리드 손실 함수를 도입하여, 디스criminator를 레이블된 데이터로 훈련하면서도 레이블이 없는 데이터를 특징 학습에 활용한다.
• 훈련된 ByteSGAN 모델을 SDN 엣지 게이트웨이에 통합하여 실시간, 저지연 분류를 가능하게 한다.
• 공유된 특징 표현을 사용하여 동일한 아키텍처에서 이상 탐지 및 트래픽 클래스 예측을 모두 수행하는 디스criminator의 수정된 구조를 활용한다.
• 제한된 레이블된 데이터셋을 보완하기 위해 실제와 유사한 암호화된 트래픽 샘플을 생성하는 생성자 모델을 훈련한다.
• 시간적 및 통계적 패턴을 포착하기 위해 컨볼루션 레이어를 활용한 특징 추출을 수행한다.

실험 결과

연구 질문

• RQ1 반감독형 GAN 기반 접근법이 소량의 레이블된 데이터로도 고정확도의 암호화된 트래픽 분류를 달성할 수 있는가?
• RQ2 ByteSGAN은 CNN과 같은 감독 학습 딥러닝 모델에 비해 암호화된 트래픽 분류에서 어떤 성능을 보이는가?
• RQ3 SDN 엣지 게이트웨이 환경에서 레이블이 없는 트래픽 데이터가 분류 성능 향상에 얼마나 기여하는가?
• RQ4 SDN 엣지 게이트웨이에 ByteSGAN을 통합함으로써 효율적이고 저지연, 프라이버시 보장된 트래픽 분류가 가능한가?
• RQ5 수정된 GAN 디스criminator가 레이블된 및 레이블이 없는 암호화된 트래픽으로부터 분류 가능한 특징을 효과적으로 학습할 수 있는가?

주요 결과

• ByteSGAN은 ISCX2012 VPN-nonVPN 데이터셋에서 감독 학습 기반 CNN 모델보다 뛰어난 분류 정확도를 달성한다.
• 소량의 레이블된 샘플로도 높은 성능을 유지하여, 낮은 감독 환경에서의 강력한 일반화 능력을 입증한다.
• 레이블이 없는 데이터의 통합은 명시적 레이블링 없이도 의미 있는 표현을 학습할 수 있는 디스criminator의 능력을 크게 향상시킨다.
• 반감독 학습 전략은 고비용 수동 레이블링에 대한 의존도를 줄이면서도 암호화된 트래픽의 복잡성에 대비한 강건성을 유지한다.
• ByteSGAN은 녹색 통신 네트워크에서 QoS 제공 및 정책 기반 네트워크 관리에 적합한 정교한 트래픽 분류를 가능하게 한다.
• 제안된 방법은 적대적 훈련과 분류 손실 간의 균형을 효과적으로 조절하여 수렴성과 정확도 향상을 이룬다.