Использование нейронных сетей для распознавания VPN over TLS траффика

С начала 2000-х годов область классификации сетевого трафика стала привлекать исследователей из различных областей. В большинстве случаев применяемые методы включали в себя самые последние технические наработки. Но одновременно сами сетевые технологии и инструменты, напрямую связанные с ними, стремительно развивались, создавая все новые преграды на пути к решению этой задачи. В последние годы значительно выросло применение виртуальных частный сетей (Virtual Private Networks, VPN). Это объясняется многими факторами, в том числе включающими в себя обеспокоенность относительно безопасности и анонимности в сети. Недостаточно управляемое использование VPN вызывает беспокойство в корпоративном мире из-за создаваемой возможности преодоления ограничений, принятых в компаниях. Это подчеркивает важность корректной классификация VPN-трафика, особенно трафика, скрытого программными средствами, в частности с использованием механизма безопасности транспортного уровня (Transport Layer Security, TLS), который усложняет поставленную задачу посредством шифрования трафика и обфускации нижележащей нагрузки. Применение нейронных сетей может стать новым методом решения данной задачи. В этой работе исследуется использование нейронных сетей для обнаружения VPN-трафика внутри TLS туннелей. Авторы стремятся приблизиться к закрытию критической потребности в точной идентификации подобного трафика, создавшейся из-за растущих рисков обхода ограничений и политик безопасности. Первым приоритетом ставится точность классификации, как требование безопасности и бизнеса. Данное исследование направлено на анализ существующих решений задачи обнаружения VPN-трафика в TLS туннелях. Исследование состоит из трех основных частей: сбора данных, конструирования признаков и тестирования эффективности различных моделей машинного обучения для идентификации VPN-трафика внутри TLS туннелей. Исходя из вышесказанного, как основные результаты работы будут представлены набор данных, который позже может использоваться в подобных исследованиях, и анализ производительности существующих технологий машинного обучения применительно к поставленной задаче.