TAVo: Tor Application Detection with Voting Critic
Notice bibliographique
Résumé
The Onion Router (TOR) Network, experiences an increasing number of users with an even more rapid increase in the volume of data usage. This leads to network congestion as well as a general decrease in end-user performance. TOR network is one of the solutions adopted by attackers that allows them to hide their identity through encryption. In this scenario, monitoring the applications and their traffic is a challenging task that can however bring relevant insights to network administrators and security teams. In this paper, we present a specially designed system to analyze the packet capture traffic of a network and classify each stream based on whether it is using the TOR network or not, as well as classifying the type of application using the TOR network. TOR Application detection with a Voting-classifier Critic (TAVo) uses a two-layer classifier that is combined with a specialized Critic model. The first layer aims at separating the Non-TOR from the TOR traffic, while the second layer determines the application that caused the TOR traffic. Whenever the second layer outputs a prediction with lower confidence the voting-classifier Critic is called to confirm or correct the predictions of these difficult cases. Through a set of experiments on a recent dataset, we show that TAVo has important advantages in terms of performance, achieving an average F1 score of 84% without the Critic model, and 91% with the Critic. Moreover, because the Critic model is only used for the cases where the base models face more difficulties, the overall system is efficient.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».