Clasificación del tráfico de red basada en aprendizaje federado semi-supervisado

La Clasificación del Tráfico (TC) se ha aplicado a una amplia gama de aplicaciones, desde la monitorización de seguridad hasta la provisión de calidad de servicio (QoS) en proveedores de servicios de Internet (ISPs). En los últimos años, muchos investigadores han aplicado Aprendizaje Automático (ML) o Aprendizaje Profundo (DL) a TC, es decir, AI-TC. Sin embargo, los métodos de AI-TC enfrentan desafíos significativos, incluyendo alta dependencia de datos, etiquetado de tráfico exhaustivamente costoso y privacidad de los suscriptores de la red. Este artículo propone un marco de TC para redes domésticas inteligentes utilizando Aprendizaje Federado (FL) que protege la privacidad de los datos del tráfico realizando el entrenamiento local y la inferencia de modelos de TC. En primer lugar, diseñamos un método de etiquetado de tráfico basado en DPI en puertas de enlace domésticas de borde como nodos de FL, que permite que estos nodos tengan capacidad de etiquetado de datos mientras protegen la privacidad de los datos. Luego, se propone un modelo de TC semi-supervisado basado en un autoencoder (AE) para reducir la dependencia del modelo en muestras de tráfico etiquetadas. Finalmente, se utiliza un método basado en XAI para interpretar el modelo y garantizar su explicabilidad. Validamos el método propuesto en conjuntos de datos públicos y reales utilizando métodos de referencia. Los resultados experimentales muestran que el método puede lograr un alto rendimiento utilizando un pequeño número de muestras mientras protege la privacidad de los datos y mejora la credibilidad del modelo. El código experimental se puede encontrar en la siguiente URL: https://github.com/PrinceXuan12138/HGW-TC-Experimental-code.