Evaluating Adversarial Learning Resilience on Various Encrypted Traffic Classifications
Notice bibliographique
Résumé
Machine learning and deep learning algorithms are applied to reduce false alarm rates, improve accuracy in classifying encrypted network applications, and improve resilience against multiple types of network attacks.Due to the fast growth of learning techniques, various types of adversarial attacks are increased to reveal ML and DL vulnerabilities and add more challenges in classifying encrypted traffic.In this research, we focus on investigating and evaluating the effectiveness of different adversarial attacks and see how resilient ML and DL algorithms are in classifying encrypted traffic applications, i.e., C4.5 Decision Tree, K-Nearest Neighbor (KNN), Artificial Neural Network (ANN), Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN).We train our models in the adversarial-free environment on ISCX I feel immense pleasure to extend my sincere gratitude to my supervisor, Professor Ashraf Matrawy, the lead of the Next Generation Networks (NGN) research group at Carleton University for providing me with valuable support, guidance and encouragement through this research.It was a great privileged and honor to work and study under his guidance that assisted me in extending my knowledge and professional experience while directing me on the right path to pursue my goal.I am expanding my sincere to our NGN Research Group Postdoctoral: Dr. Danish Sattar for his support, advice, and help throughout my study.I'm very thankful to my beloved wife and soulmate Fatma Arafah for her unconditional love, support, patience, and encouragement during tough times, for offering me the push and positive energy to continue when I am wretched, and for making me believe in myself.A big thanks to my kids, Layla and Ramsey, for their endless love and smile that boosts my power every time I play with them.My special thanks to my parents: Mohamed Maarouf
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».