Mobile Verschlüsselte Verkehrsklassifikation mit Deep Learning

Die massive Verbreitung von tragbaren Geräten hat zu einem explosionsartigen Anstieg des mobilen Datenverkehrs geführt, der durch private und Unternehmensnetzwerke sowie das Internet fließt. Verfahren zur Ableitung (mobiler) Anwendungen, die solchen Verkehr erzeugen, bekannt als Verkehrsklassifikation (Traffic Classification, TC), ermöglichen hochgradig wertvolle Profilinformationen, werfen jedoch sicherlich wichtige Datenschutzfragen auf. Das Design genauer Klassifikatoren wird jedoch durch die zunehmende Verwendung von verschlüsselten Protokollen (wie TLS) erschwert, was die Anwendbarkeit von hochgenauen Ansätzen wie Deep Packet Inspection beeinträchtigt. Darüber hinaus macht das (tägliche) wachsende Angebot an Apps und die sich ständig ändernde Natur des mobilen Verkehrs Lösungen mit herkömmlichem maschinellen Lernen, die auf manuell und von Experten stammenden Merkmalen basieren, veraltet. Aus diesen Gründen schlagen wir Deep Learning (DL) als eine tragfähige Strategie vor, um Verkehrsklassifikatoren basierend auf automatisch extrahierten Merkmalen zu entwerfen, die die komplexen Muster des mobilen Verkehrs widerspiegeln. Zu diesem Zweck werden hier verschiedene hochmoderne DL-Techniken aus der TC reproduziert, untersucht und in ein systematisches Rahmenwerk zur Vergleichsanalyse eingefügt, einschließlich auch einer Leistungsbewertungs-Workbench. Basierend auf drei Datensätzen realer menschlicher Nutzeraktivitäten wird die Leistung dieser DL-Klassifikatoren kritisch untersucht, wobei Fallstricke, Entwurfsempfehlungen und offene Fragen von DL in der mobilen verschlüsselten TC hervorgehoben werden.