Malware-Traffic-Klassifikation mit Hilfe von Convolutional Neural Networks für das Repräsentationslernen

Die Verkehrsklassifikation ist der erste Schritt zur Erkennung von Netzwerk-Anomalien oder netzwerkbasierten Intrusion Detection Systemen und spielt eine wichtige Rolle im Bereich der Netzwerksicherheit. In diesem Papier haben wir zunächst eine neue Taxonomie der Verkehrsklassifikation aus der Perspektive der künstlichen Intelligenz vorgestellt und anschließend eine Methode zur Malware-Verkehrsklassifikation unter Verwendung von Convolutional Neural Networks vorgeschlagen, bei der Verkehrsdaten als Bilder behandelt werden. Diese Methode benötigte keine manuell gestalteten Merkmale, sondern verwendete direkt Rohverkehrsdaten als Eingabedaten des Klassifizierers. Nach unserem besten Wissen ist dieser interessante Versuch das erste Mal, dass ein Repräsentationslernanatz zur Malware-Traffic-Klassifikation unter Verwendung von Rohverkehrsdaten angewendet wird. Wir haben festgestellt, dass der beste Typ der Verkehrsdarstellung die Sitzung mit allen Schichten durch acht Experimente ist. Die Methode wurde in zwei Szenarien validiert, die drei Arten von Klassifizierern umfassen, und die Versuchsergebnisse zeigen, dass unsere vorgeschlagene Methode die Genauigkeitsanforderungen der praktischen Anwendung erfüllen kann.