ارتقا حريم خصوصي ترافيك شبكه در برابر حمله ي دسته بندي به كمك يادگيري خصمانه

در چند سال اخير بطور گسترده از معماري هاي مختلف شبكه هاي عصبي عميق در ادبيات پژوهش هاي دسته بندي ترافيك و انگشت نگاري وب سايت استفاده شده است. دسته بندي هاي ياد شده بر روي ويژگي هاي آماري ترافيك مانند طول بسته ها و فاصله ي زماني بين بسته ها صورت مي پذيرد. ارتقا حريم خصوصي ترافيك شبكه در برابر حملات دسته بندي با الگوريتم هايي صورت مي پذيرد كه تركيبي از افزايش طول (لايه گذاري) و شكستن بسته ها و اضافه كردن تاخير در ارسال بسته را انجام مي دهند. در اين پژوهش به جاي طراحي چنين الگوريتم هايي، با استفاده از روش هاي سنجش و ارزيابي مقاومت شبكه هاي عصبي موسوم به الگوريتم هاي توليد نمونه ي خصمانه با اعمال حداقل سربار اقدام به لايه گذاري بسته هاي جريان ترافيك شده است. يك دسته بند شبكه ي عصبي عميق همگشتي را قبل و بعد از اعمال دفاع بر روي ترافيك، به كمك پنج الگوريتم توليد نمونه ي خصمانه، كارليني‐ونگر، جِي.اس.ام.اي، اف.جي.اس.ام، ديپ فول و پريشيدگي سراسري، ارزيابي مي كنيم. هر يك از الگوريتم ها با اضافه كردن ميزان سربار متفاوت، از دقت و مثبت كاذب دسته بندي شبكه عصبي ياد شده مي كاهند