토르 네트워크 웹사이트 핑거프린팅과 클래스 불균형 문제 해결을 위한 적대적 생성 신경망 :Tor Network Website Fingerprinting and GAN for Class Imbalanced Problem

김준호

추천

검색

자료유형: 학위논문

저자정보: 김준호 (단국대학교, 단국대학교 대학원)

지도교수: 황두성

발행연도: 2020

저작권: 단국대학교 논문은 저작권에 의해 보호받습니다.

이용수17

이 논문의 연구 히스토리 (2)

2020

토르 네트워크 웹사이트 핑거프린팅과 클래스 불균형 문제 해결을 위한 적대적 생성 신경망

김준호 컴퓨터학과 2020.01 학위논문

2019

토르 익명 네트워크 패킷의 특징 맵을 이용한 웹사이트 핑거프린팅

김준호 , 황두성 한국정보과학회 학술발표논문집 2019.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

트래픽 분류는 조건에 따라 네트워크 트래픽을 특정 클래스로 분류하는 작업으로 서비스 품질 제어, 가격 조정, 자원 제어, 악성코드 침입 탐지 등과 같은 많은 응용 프로그램에 사용된다. 기존에 연구된 포트 번호 매칭과 심층 패킷 분석은 포트 위장 기술, 네트워크 트래픽 암호화와 같은 기술의 등장으로 사용하기에 어렵다는 단점이 존재한다. 이러한 문제점을 해결하기 위해 패킷 시퀀스의 통계에 근거한 방법이 연구되었다. 패킷 시퀀스의 통계적 특징 기반 방법은 일반적으로 기계학습 알고리즘을 사용하여, 주어진 문제에 대해 학습을 하고 분류를 수행한다.
토르는 약 200만명 이상의 사용자를 가진 회선 기반의 저지연 익명 네트워크 서비스이다. 전방향 암호화, 혼잡 제어, 디렉토리 서버, 무결성 검사, 출구 노드 구서오가 랑데부 포인트를 이용하여 사용자에게 익명성을 제공한다. 그러나 토르가 저지연 네트워크 통신망을 사용하기 때문에 트래픽의 크기, 시간, 방향 정보를 암호화할 수 없다. 따라서, 토르 네트워크 트래픽에서 추출된 정보를 바탕으로 기계학습 알고리즘을 이용한 웹사이트 핑거프린팅이 연구되었다.
본 논문에서는 토르 네트워크 웹사이트 핑거프린팅을 위한 통계적 특징 벡터를 제안하며 기존에 연구된 특징 벡터를 사용한 SVM 모델과 웹사이트 핑거프린팅의 분류 성능을 비교한다. 또한, 준비된 훈련 데이터의 클래스 불균형 문제를 해결하는 적대적 생성 신경망 모델을 제안한다. 클래스 불균형 문제가 해소된 훈련 데이터 세트는 제안하는 합성곱 신경망 모델의 훈련 데이터로 입력되어 SMOTE 전략과 웹사이트 핑거프린팅의 성능을 분석한다. 학습을 위한 훈련 데이터는 실험실 환경에서 토르 네트워크를 이용하여 일반 도메인과 히든 서비스 도메인의 트래픽을 수집한다.
제안하는 특징 벡터를 사용한 랜덤 포레스트 모델은 일반 도메인과 히든 서비스 도메인 모두 기존에 연구된 특징 벡터를 사용한 SVM 모델보다 최대 3.3% 높은 분류 성능을 보인다. 훈련 데이터의 클래스 불균형 문제를 해결하기 위해 CGAN 기반의 모델을 학습했으며, SMOTE를 사용할 때보다 더 높은 코사인 유사도를 얻었다. Moz 데이터 세트는 2,988개, Ahmia 데이터 세트는 12,190개의 데이터를 생성하였다. 1차원 합성곱 신경망의 다중 분류 문제의 경우, 기존의 데이터 세트보다 최대 4.5%, SMOTE보다 1.8% 높은 분류 성능을 보인다.

Traffic classification is a task of classifying network traffic into specific classes according to conditions, which is used in many applications such as quality of service control, price negotiation, resource control, and malware intrusion detection. Previous port matching and deep packet analysis techonologies are difficult to use due to the emergence of port camouflage and network traffic encryption. To solve these problems, technology using
statistical features of packet sequences has emerged. The statistical features of packet sequence generally uses machine learning algorithms, learning on a given problem and performing classification.
Tor is a relay-based, low-latency anonymous network service with more than 2 million users. Provide anonymity to users using forward encryption, congestion control, directory server, integrity check, exit node configuration and rendezvous points. However, because Tor uses a low-latency network, it is not possible to encrypt traffic size, time, and direction information. Therefore, based on information extracted from Tor network traffic, website fingerprinting using machine learning algorithm was studied.
In this paper, statistical feature vectors are proposed for Tor network website fingerprinting and the classification performance of website fingerprinting is comapred with SVM models using previously studied feature vectors. In addition, a generative adversarial network model is proposed to solve the class imbalance problem of prepared training data. The training dataset with class imbalance problem resolved is entered as training data for the proposed convolutional neural network model to analyze the SMOTE strategy and the performance of website fingerprinting. Training data for learning is used by the Tor network in the laboratory environment to collect traffic from general and hidden service domains.
The Random forest model with suggested feature vectors shows up to 3.3% higher classification performance than the SVM model with previously studied feature vectors, both in the general domain and in the hidden service domain. To solve the class imbalance problem of training data, CGAN-based models were studied, and higher cosine similarity was obtained when SMOTE was used. The Moz dataset generated 2,988 and the Ahmia dataset generated 12,190 data. In the case of multiple classification problems in one-dimensional convolutional neural network, the classification performance is up to 4.5% higher than the existing dataset and 1.8% higher than SMOTE.

Ⅰ. 서론 1
Ⅱ. 연구 배경 3
1. 웹사이트 핑거프린팅 3
2. 기계학습을 이용한 트래픽 분석 3
3. 트래픽 데이터 불균형 7
4. 트래픽 데이터의 적대적 생성 신경망 관련 연구 9
Ⅲ. 시스템 구성 12
1. 제안하는 CNN 모델 12
2. 제안하는 GAN 모델 14
Ⅳ. 데이터 준비 16
1. 데이터 수집 16
2. 트래픽 데이터 전처리 19
3. 핑거프린팅 특징 벡터 20
Ⅴ. 학습 알고리즘 25
1. Ensemble Algorithm 25
1) Random Forest 25
2) XGBoost 25
3) Extra trees 25
2. 심층 학습 26
1) 합성곱 신경망 (CNN) 26
2) 적대적 생성 신경망 (GAN) 26
3) 조건부 적대적 생성 신경망 (CGAN) 27
Ⅵ. 실험 결과 29
1. 웹사이트 핑거프린팅 29
2. 심층 학습 32
Ⅶ. 결론 41
참고문헌 42
부록 45

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)