Details

Данная работа посвящена оценке эффективности методов классификации зашифрованного трафика в условиях применения ECH с точки зрения как точности, так и вычислительных затрат. Задачи, которые решались в ходе работы: 1. Систематизация существующих методов классификации зашифрованного трафика и анализ влияния технологии ECH на основе обзора актуальных научных работ; 2. Формирование методологии сравнительного анализа; 3. Подготовка набора данных сетевого трафика с поддержкой ECH; 4. Экспериментальная оценка выбранных методов классификации; 5. Разработка практических рекомендаций по выбору методов классификации ECH - трафика. В результате установлено, что применение ECH снижает точность классификации не более чем на два процентных пункта, поскольку шифрование поля SNI не изменяет наблюдаемых статистических характеристик потока. Наибольшую точность около 0,92 при умеренных вычислительных затратах обеспечивают ансамблевые методы - стекирование и градиентный бустинг. Нейросетевые модели, работающие с последовательностями пакетов, уступают ансамблям на агрегированных признаках.

This work addresses the evaluation of the effectiveness of encrypted traffic classification methods under the deployment of ECH, with respect to both accuracy and computational cost. The objectives pursued in the course of the work were as follows: 1. Systematization of existing methods for encrypted traffic classification and analysis of the impact of the ECH technology, based on a review of recent scientific literature; 2. Development of a methodology for comparative analysis; 3. Preparation of a network traffic dataset with ECH support; 4. Experimental evaluation of the selected classification methods; 5. Development of practical recommendations for selecting methods for ECH-traffic classification. As a result, it was established that the deployment of ECH reduces classification accuracy by no more than two percentage points, since encryption of the SNI field does not alter the observable statistical characteristics of the flow. The highest accuracy - approximately 0.92 at moderate computational cost - is achieved by ensemble methods, namely stacking and gradient boosting. Neural-network models operating on packet sequences are inferior to ensembles built on aggregated features.