다중 표현을 활용한 다중 태스크 기반 암호화 트래픽 분류

초록

최근 네트워크 트래픽의 암호화로 인해 페이로드를 깊이 디코딩하여 네트워크 트래픽을 분류하는 기법이 한계를 보이고 있다. 이의 대안으로 원시 바이트(raw byte)를 입력으로 받는 딥러닝 기반 분류 모델이 관심을 받고 있지만, VPN 등으로 이중으로 암호화된 트래픽 분류 응용에서 적절하게 동작하는지에 대해 의문을 제기하는 사례들이 늘고 있다. 이러한 배경 아래, 본 연구에서는 두 가지 입력 표현(원시 바이트와 패킷 메타데이터)을 함께 활용하는 다중 태스크 학습(Multi-Task Learning) 모델을 제안한다. 제안 모델은 여러 분류 과제를 동시에 학습함으로써 모델의 일반화 성능을 향상시키고, 원시 바이트와 패킷 메타데이터 간 상호보완적인 정보를 통합적으로 학습한다. 제안 모델의 성능을 MIT 링컨 연구소에서 공개한 VNAT 데이터셋으로 평가한 결과, 기존 연구보다 좋은 분류 성능을 확인하였다.