[논문 리뷰] Traffic Analysis with Deep Learning.

Se Eun Oh, Saikrishna Sunkam외 1명|arXiv (Cornell University)|2017. 11. 10.

Internet Traffic Analysis and Secure E-voting인용 수 3

한 줄 요약

이 논문은 트래픽 분석 분야에서 딥 뉴럴 네트워크(DNNs)의 첫 번째 종합적 적용을 제시하며, 웹사이트 지문 분석과 지문 가능성 예측을 위한 특징 추출의 효과성을 입증한다. DNNs는 배경 웹사이트 100,000개 중에서 100개의 대상 웹사이트 중 하나를 식별할 때 91%의 참 양성률(TPR)과 1%의 거짓 양성률(FPR)을 달성하였고, 4,500개의 웹사이트 인스턴스에서 지문 가능성 예측 정확도는 99%에 이르렀다.

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.

연구 동기 및 목표

• 딥 뉴럴 네트워크(DNNs)가 트래픽 분석에서 개선된 특징 학습 및 예측을 위해 적용 가능한지 조사하기.
• 트래픽 분석 작업에서 최첨단 기계 학습 알고리즘의 성능을 향상시키면서 특징 차원을 감소시키기.
• 대규모 배경 웹사이트 중에서 웹사이트 방문을 탐지하는 데 있어 DNN의 효과성을 평가하기.
• 트래픽 패턴을 기반으로 웹사이트의 지문 가능성 예측 정확도를 평가하기.

제안 방법

• 원시 네트워크 트래픽 데이터로부터 분류 가능한 특징을 자동으로 학습하기 위해 딥 뉴럴 네트워크(DNNs)를 활용하기.
• DNNs를 분류기로 사용하여 배경 웹사이트 100,000개 중에서 100개의 대상 웹사이트를 식별하기.
• 4,500개의 웹사이트 인스턴스에서 트래픽 특성에 기반해 웹사이트의 지문 가능성 예측을 위해 DNNs를 훈련하기.
• DNNs를 사용하여 고차원 트래픽 특징을 저차원 표현으로 감소시켜 모델의 효율성과 성능을 향상시키기.
• 웹사이트 지문 분석과 지문 가능성 예측에 각각 분류 및 회귀 작업을 수행하기 위해 DNNs를 적용하기.
• 수동 특징 공학 없이도 DNN의 계층적 특징 학습 능력을 활용하여 복잡한 트래픽 패턴을 포착하기.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 트래픽 분석 작업을 위한 의미 있는 특징을 네트워크 트래픽에서 효과적으로 추출할 수 있는가?
• RQ2 전통적 방법에 비해 DNNs는 웹사이트 지문 분석 공격의 정확도와 효율성을 어느 정도 향상시킬 수 있는가?
• RQ3 웹사이트의 트래픽 패턴을 기반으로 DNNs는 지문 가능성 예측을 얼마나 정확하게 수행할 수 있는가?
• RQ4 DNNs는 트래픽 분석에서 분류 성능을 유지하거나 향상시키면서도 특징 차원을 감소시킬 수 있는가?

주요 결과

• DNNs는 배경 웹사이트 100,000개 중에서 100개의 대상 웹사이트 중 하나를 식별할 때 91%의 참 양성률(TPR)과 1%의 거짓 양성률(FPR)을 달성하였다.
• DNNs의 활용은 웹사이트 지문 분석에서 높은 분류 정확도를 유지하면서도 특징 차원을 크게 감소시켰다.
• DNNs는 4,500개의 웹사이트 트래픽 인스턴스의 지문 가능성을 99%의 정확도로 예측하여 거의 완벽한 성능을 보였다.
• 이 연구는 DNNs가 특징 학습, 분류, 예측에 이르기까지 다수의 트래픽 분석 작업에서 효과적으로 작용할 수 있음을 종합적으로 처음으로 입증한 사례이다.
• 결과적으로 DNNs는 트래픽 분석에서 정확도와 특징 표현 품질 측면에서 기존 방법을 모두 능가하는 것으로 나타났다.