[논문 리뷰] A Federated Semi-Supervised Learning Approach for Network Traffic Classification

Yao Peng, Meirong He외 1명|arXiv (Cornell University)|2021. 07. 08.

Internet Traffic Analysis and Secure E-voting참고 문헌 21인용 수 8

한 줄 요약

이 논문은 사용자 개인정보를 보호하고 레이블이 붙은 데이터에 대한 의존도를 줄이기 위해 분산된 환경에서 반감독 학습을 적용한 네트워크 트래픽 분류 프레임워크를 제안한다. 비라벨 트래픽 데이터로 분산된 클라이언트에서 글로벌 모델을 훈련하고 중앙 서버에서 레이블이 붙은 데이터를 사용함으로써, 단순 샘플링과 순차적 샘플링을 각각 사용할 경우 91.08% 및 97.81%의 정확도를 달성하며, 중앙집중식 훈련과 비교해 성능 격차가 미미하다.

ABSTRACT

Network traffic classification, a task to classify network traffic and identify its type, is the most fundamental step to improve network services and manage modern networks. Classical machine learning and deep learning method have developed well in the field of network traffic classification. However, there are still two major challenges. One is how to protect the privacy of users' traffic data, and the other is that it is difficult to obtain labeled data in reality. In this paper, we propose a novel approach using federated semi-supervised learning for network traffic classification. In our approach, the federated servers and several clients work together to train a global classification model. Among them, unlabeled data is used on the client, and labeled data is used on the server. Moreover, we use two traffic subflow sampling methods: simple sampling and incremental sampling for data preprocessing. The experimental results in the QUIC dataset show that the accuracy of our federated semi-supervised approach can reach 91.08% and 97.81% when using the simple sampling method and incremental sampling method respectively. The experimental results also show that the accuracy gap between our method and the centralized training method is minimal, and it can effectively protect users' privacy and does not require a large amount of labeled data.

연구 동기 및 목표

• 네트워크 트래픽 분류에서 사용자 개인정보 보호 문제를 해결하기 위해.
• 비용이 많이 들고 확보하기 어려운 대규모 레이블이 붙은 트래픽 데이터에 대한 의존도를 줄이기 위해.
• 클라이언트는 비라벨 데이터로 국지적으로 학습하고 서버는 레이블이 붙은 데이터를 사용해 업데이트를 집계하는 협업 학습 프레임워크를 개발하기 위해.
• 두 가지 트래픽 서브플로우 샘플링 방법—단순 샘플링과 순차적 샘플링—이 모델 정확도 향상에 기여하는지 평가하기 위해.
• 분산 반감독 학습이 데이터 개인정보 보호를 유지하면서도 중앙집중식 훈련 수준의 성능을 달성할 수 있음을 입증하기 위해.

제안 방법

• 여러 클라이언트가 비라벨 네트워크 트래픽 데이터를 보유하고 중앙 서버가 레이블이 붙은 데이터를 보유하는 분산 학습 프레임워크를 설계한다.
• 클라이언트는 반감독 학습 전략을 사용해 비라벨 트래픽 데이터에서 국지적으로 모델을 훈련하며, 레이블이 붙은 샘플과 비라벨 샘플을 모두 활용한다.
• 서버는 클라이언트로부터 온 모델 업데이트를 FedAvg 또는 유사한 집계 기법을 사용해 집계하여 글로벌 분류 모델을 훈련한다.
• 트래픽 데이터의 전처리를 위해 두 가지 서브플로우 샘플링 방법—단순 샘플링과 순차적 샘플링—을 적용하여 훈련 효율성과 정확도를 향상시킨다.
• 반감독 환경에서 비라벨 데이터를 효과적으로 활용하기 위해 자기학습 또는 가짜라벨링 메커니즘을 통합한다.
• 클라이언트와 서버 간의 교통 라운드를 반복함으로써 글로벌 모델을 점진적으로 개선하며, 데이터 전송을 최소화하고 개인정보 보호를 유지한다.

실험 결과

연구 질문

• RQ1 분산 반감독 학습이 사용자 데이터 개인정보 보호를 유지하면서 네트워크 트래픽을 효과적으로 분류할 수 있는가?
• RQ2 제안된 분산 접근 방식의 정확도는 중앙집중식 훈련과 비교해 어떻게 되는가?
• RQ3 다른 트래픽 서브플로우 샘플링 전략—단순 샘플링과 순차적 샘플링—은 모델 정확도에 어떤 영향을 미치는가?
• RQ4 제안된 방법은 대규모 레이블이 붙은 트래픽 데이터에 대한 필요성을 어느 정도 줄일 수 있는가?
• RQ5 분산 및 비라벨 데이터 환경에서도 분산 학습 아키텍처가 높은 모델 일반화 능력을 유지하는가?

주요 결과

• 제안된 분산 반감독 학습 접근 방식은 QUIC 데이터셋에서 단순 샘플링 방법을 사용할 경우 91.08%의 정확도를 달성한다.
• 순차적 샘플링을 사용할 경우 모델 정확도는 97.81%에 도달하며, 샘플링 전략의 효과성을 입증한다.
• 분산 접근 방식과 중앙집중식 훈련 간의 성능 격차는 미미하여 강력한 일반화 능력을 보여준다.
• 원본 트래픽 데이터를 로컬 장치에 유지하고 모델 업데이트만 공유함으로써 사용자 개인정보 보호를 효과적으로 실현한다.
• 레이블이 붙은 데이터에 대한 의존도를 크게 줄여, 레이블링이 비용이 많이 들기 때문에 실용적인 환경에 적용하기에 적합하다.
• 순차적 샘플링 방법이 단순 샘플링보다 우수한 성능을 보이며, 적응형 데이터 선택이 모델 학습 효율성을 향상시킨다는 점을 시사한다.