[논문]Convolutional Neural Network을 활용한 패킷 페이로드 기반 네트워크 트래픽 분류

김주봉; 임현교; 허주성; 한연희

Convolutional Neural Network을 활용한 패킷 페이로드 기반 네트워크 트래픽 분류
Packet Payload-based Network Traffic Classification using Convolutional Neural Network 원문보기

김주봉 (한국기술교육대학교 컴퓨터공학부) , 임현교 (한국기술교육대학교 컴퓨터공학부) , 허주성 (한국기술교육대학교 컴퓨터공학부) , 한연희 (한국기술교육대학교 컴퓨터공학부)

네트워크 트래픽 데이터를 정제하여, Convolutional Neural Network Model 훈련에 적합한 데이터 세트로 변환하는데, 그 방법은 패킷 단위의 트래픽 데이터를 이미지 형태로 만드는 것이다. 완성된 데이터 세트를 훈련데이터로 하여 Convolutional Neural Network Model에 훈련하고, 훈련데이터의 이미지 크기를 변환해가며 훈련시킨 결과에 대해 비교 분석 및 평가를 진행한다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

가설 설정

이유인 즉, 네트워크 트래픽의 flow가 갖는 연속성을 가지지 않는, 단일 패킷의 Payload들만을 CNN 모델 입력 데이터 세트로 삼았기 때문이다. 실험 결과를 통해 패킷 Payload 내부에는 이 전에 파악하지 못했던 특징이 존재 할 수 있다는 가정을 세워볼 수 있다.

제안 방법

2장과 3장의 트래픽 데이터 정제 및 이미지 변환 작업을 거친 데이터 세트를 CNN 모델에 Feeding을 하여 훈련시켰다. 패킷 단위의 이미지 데이터는 N×N의 정방행렬로써, 그 크기 여하에 따라 얼마만큼의 bit데이터를 사용할지 결정할 수 있다.
train, validation, test label은 총 다섯 가지의 응용에 대한 label을 가지고 있으므로, 길이가 5인 one-hot vector로써 표현을 하였다. one-hot vector label이란, 하나의 요소만 1인 값을 지니는 벡터로써, 1인 값의 인덱스가 응용이름을 가리키는 label로 정의 할 수 있다.
추출된 Payload Data를 <표 1>의 두 번째 데이터헤더에 기준하여, 8개의 Application Layer Payload Data 파일을 만들었다. 그리고, 같은 HTTP (Hypertext Transfer Protocol)를 프로토콜로 사용하는, HTTP-Facebook, HTTP-Google, HTTP-Wikipedia, HTTP-Youtube, 4종의 HTTP트래픽을 Web이란 label로 통합하였고, 최종적으로 데이터세트의 label을, RDP, Skype, SSH, Bittorrent, Web, 총 5가지 종류로 결정하였다. 통합 과정을 거쳐 5개의 ‘Application Layer Payload Data’ 파일이 완성 되었다.
PCAP (Packet Capture)파일은 Wireshark, TCPdump등과 같은 프로그램을 이용하여 네트워크 패킷을 캡처하여 파일 형태로 저장한 것이 PCAP 파일이다. 본 실험에서는, PCAP 파일을 이미지 데이터세트로 가공하여 CNN을 통한 학습 및 실험과 평가를 시행하였다. 실험에 앞서, Application Layer의 Payload를 패킷 단위로 나눈 문자열들을 이미지 데이터세트로 Conversion하게 되는데, 이를 위해서는 PCAP 파일을 필터링하고 축약하는 데이터 정제시킬 필요가 있다.
본 실험에서는, 패킷 이미지 데이터를, 8×8, 16×16, 32×32, 64×64로 각기 다른 크기로 데이터 세트를 변환하여 CNN 모델에 학습을 시키고 평가를 진행하였다.
데이터 정제과정에 들어가기에 앞서, flow수를 기준으로 가장 많은 label명 8종을 선별하였다. 상위 8종의 label명들은, Remote Desktop Protocol (RDP), Skype, SSH, Bittorrent, HTTP-Facebook, HTTP-Google, HTTP-Wikipedia, HTTP-Youtube이고, 이 8종의 label이 붙은 flow들만을 PCAP파일에서 선택하고, 선택된 flow 내부 패킷의 Application Layer Payload만을 필터링하여 추출하였다. 추출된 Payload Data를 <표 1>의 두 번째 데이터헤더에 기준하여, 8개의 Application Layer Payload Data 파일을 만들었다.
추출된 Payload Data를 의 두 번째 데이터헤더에 기준하여, 8개의 Application Layer Payload Data 파일을 만들었다.

대상 데이터

데이터 정제과정에 들어가기에 앞서, flow수를 기준으로 가장 많은 label명 8종을 선별하였다. 상위 8종의 label명들은, Remote Desktop Protocol (RDP), Skype, SSH, Bittorrent, HTTP-Facebook, HTTP-Google, HTTP-Wikipedia, HTTP-Youtube이고, 이 8종의 label이 붙은 flow들만을 PCAP파일에서 선택하고, 선택된 flow 내부 패킷의 Application Layer Payload만을 필터링하여 추출하였다.
데이터세트는 500,000개의 ‘traindata’와 ‘train label’, 5,000개의 ‘validation data’와 ‘validation label’, 10,000개의 ‘test data’와 ‘test label’을 갖는다.
본 논문에서는 Network Traffic Data로써, Broadband Communications Research Group [4]에서 제공받은 PCAP 파일을 사용한다. PCAP (Packet Capture)파일은 Wireshark, TCPdump등과 같은 프로그램을 이용하여 네트워크 패킷을 캡처하여 파일 형태로 저장한 것이 PCAP 파일이다.

성능/효과

labeling은 해당 트래픽 flow에 대한 응용타입, 프로토콜, 응용이름, 세부분류 등을 기재하는 것인데, PCAP 파일과 함께 제공 받았던 ‘packets_default.info’파일에는, flow에 대한 labeling이 자세하게 되어 있었고, 그 덕분에, 본 실험의 Ground Truth에 해당하는 정확한 label을 얻을 수 있었다.
또한 원본 PCAP파일을 분석한 결과, RDP는 RFC 1006 TPKT프로토콜과 ISO 8073 COTP를 사용했는데, 이 프로토콜의 헤더 데이터를 본 실험의 패킷 이미지 데이터 크기로 환산한다면, 288bit에 해당하고, 16×16인 패킷 이미지 하나보다 조금 더 큰 것이다.

후속연구

향후 연구에서는 패킷 단위가 아닌, 연속성을 가지는 flow를 입력 데이터세트로 하여 RNN 모델에 학습을 시키고자 하는 실험을 진행 할 것이다.

핵심어

질문

논문에서 추출한 답변

딥러닝 관련 기법에는 대표적으로 무엇이 있나?

딥러닝 관련 기법에는 대표적으로 Multilayer Neural Network Model (MNN) [3], Convolutional Neural Network Model (CNN) [3], Recurrent Neural Network Model (RNN) [3] 등이 있다. MNN은 약 3개에서 7개까지의 Hidden Layer로 구성된 기본적인 딥러닝 모델이며, CNN은 Local Receptive Fields과 Convolutional Layer, Pooling Layer 세 단계로 구성되어 있는 Neural Network로써, 이미지 분석에 대표적으로 쓰이고 있는 딥러닝 기법 이다.

CNN의 모델 구조는 어떻게 구성되나?

본 장에서는 실험에서 사용하게 될 CNN모델에 관한 설명을 한다. CNN의 모델 구조는 크게 지역 수용 영역, Convolutional Layer, Pooling Layer, 마지막으로 Fully Connected Layer로 구성된다. 본 실험의 지역 수용 영역은 데이터 세트로 변환된 패킷 Payload와 label을 입력받게 된다.

네트워크 트래픽 데이터를 패킷 단위로 하여 CNN 모델에 학습한 결과 정확도가 93.58%에 달하였는데, 기존 방식보다 높다고 할 수 없지만 낮다고 단언할 수 없는 결과인 이유는?

기존의 방식보다는 높다고 할 수 없지만, 결코 낮다고 단언할 수 없는 결과이다. 이유인 즉, 네트워크 트래픽의 flow가 갖는 연속성을 가지지 않는, 단일 패킷의 Payload들만을 CNN 모델 입력 데이터 세트로 삼았기 때문이다. 실험 결과를 통해 패킷 Payload 내부에는 이 전에 파악하지 못했던 특징이 존재 할 수 있다는 가정을 세워볼 수 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

Convolutional Neural Network을 활용한 패킷 페이로드 기반 네트워크 트래픽 분류
Packet Payload-based Network Traffic Classification using Convolutional Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Convolutional Neural Network을 활용한 패킷 페이로드 기반 네트워크 트래픽 분류 Packet Payload-based Network Traffic Classification using Convolutional Neural Network 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Convolutional Neural Network을 활용한 패킷 페이로드 기반 네트워크 트래픽 분류
Packet Payload-based Network Traffic Classification using Convolutional Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper