[论文解读] 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 3

一句话总结

本文首次全面应用深度神经网络（DNNs）于交通分析，展示了其在网站指纹识别和指纹可预测性预测中特征提取的有效性。DNN在100,000个背景网站中识别100个目标网站时，实现了91%的真正例率和1%的假正例率，同时在4,500个网站实例中对指纹可预测性的预测准确率达到99%。

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.

研究动机与目标

• 研究深度神经网络（DNNs）在交通分析中的适用性，以改进特征学习与预测能力。
• 在提升最先进机器学习算法在交通分析任务中的性能的同时，降低特征维度。
• 评估DNN在从大量背景网站中检测目标网站访问方面的有效性。
• 评估DNN基于流量模式预测网站指纹可预测性的准确性。

提出的方法

• 利用深度神经网络（DNNs）从原始网络流量数据中自动学习判别性特征。
• 使用DNN作为分类器，在100,000个背景网站中识别100个目标网站中的其中一个。
• 训练DNN以基于4,500个网站实例的流量特征，预测网站的指纹可预测性。
• 利用DNN将高维流量特征降维为低维表示，以提升模型效率与性能。
• 在分类任务中应用DNN进行网站指纹识别，在回归任务中应用DNN进行指纹可预测性预测。
• 利用DNN的分层特征学习能力，捕捉复杂流量模式，无需人工特征工程。

实验结果

研究问题

• RQ1 深度神经网络能否有效从网络流量中提取有意义的特征，以支持交通分析任务？
• RQ2 与传统方法相比，DNN在提升网站指纹识别攻击的准确率与效率方面能达到何种程度？
• RQ3 DNN基于其流量模式预测网站指纹可预测性的准确度如何？
• RQ4 DNN是否能在保持或提升分类性能的同时，降低交通分析中的特征维度？

主要发现

• DNN在100,000个背景网站中识别100个目标网站时，实现了91%的真正例率（TPR）和1%的假正例率（FPR）。
• 使用DNN显著降低了特征维度，同时在网站指纹识别中保持了高分类准确率。
• DNN对4,500个网站流量实例的指纹可预测性预测准确率达到99%，表现出近乎完美的性能。
• 本研究首次全面展示了DNN在多个交通分析任务（包括特征学习、分类与预测）中的有效性。
• 结果表明，DNN在交通分析中的准确率与特征表示质量方面均优于传统方法。