PacketPatch: التوليد والنشر العمليان للحزم الخصومة لتصنيف حركة المرور المشفّرة القائم على ميزات البايت

الورقة: PacketPatch: التوليد والنشر العمليان للحزم الخصومة لتصنيف حركة المرور المشفّرة القائم على ميزات البايت المؤلفون: Yuwei Xu, Yuanyuan Xu, Yunpeng Bai, Jiahui Chen, Kehui Song, Jie Cao, Qiao Xiang, Guang Cheng الانتماء: جامعة الجنوب الشرقي، مختبرات جبل الأرجوان، جامعة تيانقونغ، جامعة كوينز، جامعة شيامن الحالة: مقبول/قيد المراجعة (Elsevier)

نظرة عامة

PacketPatch هو نظام عملي لتوليد حزم شبكة خصومة ضد نماذج تصنيف حركة المرور المشفرة القائم على ميزات البايت (B-ETC)، بهدف حماية خصوصية المستخدم. على عكس الطرق الحالية التي تعتمد على افتراضات الصندوق الأبيض غير الواقعية أو تُدخل عبئًا زائدًا، يعمل PacketPatch في ظل ظروف الصندوق الأسود الصارمة مع الحفاظ على الأداء اللحظي وقابلية استخدام الحزم.

الميزات الرئيسية

• العمل بالصندوق الأسود: لا يتطلب الوصول إلى تدرجات النموذج المستهدف أو معاملاته أو بيانات التدريب
• مستقل عن المستخدم: يعتمد توليد التعديل فقط على ميزات الحزمة الحالية، دون تاريخ سلوك المستخدم
• كفاءة في الوقت الفعلي: توليد بمرور أمامي واحد، متوسط زمن الاستجابة ~10 مللي ثانية لكل حزمة
• عبء نطاق ترددي قابل للتحكم: طول التعديل ≤ 10% من حجم الحزمة الأصلية
• صلاحية الحزمة وقابلية الاستعادة: تضمن بنية الوكيل المتماثلة اجتياز الحزم لفحوصات السلامة وإمكانية استعادتها بشكل مثالي عند المستقبِل

البنية

سير عمل PatchGenerator

1. تحضير المدخلات: افصل ترويسة الحزمة عن الحمولة؛ جهّز رموز [MASK] (الطول = 10% من حجم الحزمة)
2. بناء التسلسل: جمّع [CLS] + header + Pad1 + [SEP] + random_header(hr) + Pad2 + payload
3. توليد التعديل: مرور أمامي واحد لـ BERT → توزيعات احتمالية على المفردات
   • Pad1 → arg min (يعطّل الميزات الأصلية إلى أقصى حد)
   • Pad2 → arg max (يولّد ميزات متوافقة مع الترويسة العشوائية)
4. تجميع المتجه: التعديل النهائي v = Pad1 + hr + Pad2

هيكل المستودع

PacketPatch/
├── README.md                          # Project overview (this file)
├── LICENSE                            # MIT License
├── requirements.txt                   # Python dependencies
├── bert_base_config.json              # BERT model configuration (12 layers, 768-dim, 12 heads)
│
├── packet_adv/                        # ★ Core experimental code
│   ├── README.md                      # Usage guide for core modules
│   ├── adv_fine_tuning_cls.py         # Step 1: Train PatchGenerator (SpanBERT)
│   ├── generate.py                    # Step 2: Generate adversarial packets
│   └── gen_onnx.py                    # Step 3 (optional): ONNX/TensorRT acceleration
│
├── uer/                               # UER (Universal Encoder Representations) framework
│   ├── README.md                      # Framework documentation
│   ├── encoders/                      # Encoder implementations (Transformer, RNN, CNN)
│   ├── layers/                        # Network layers (Embedding, Attention, FFN)
│   ├── targets/                       # Training targets (MLM, NSP, Span-MBM, etc.)
│   ├── models/                        # Model definition
│   ├── utils/                         # Utilities (tokenizers, optimizers, data loading)
│   ├── model_builder.py               # Model construction
│   ├── model_loader.py                # Pretrained weight loading
│   ├── model_saver.py                 # Model checkpoint saving
│   ├── trainer.py                     # Training loop implementation
│   └── opts.py                        # CLI argument definitions
│
├── dataset/                           # Dataset documentation
│   └── README.md                      # Dataset descriptions, download links, preprocessing
│
├── image/                             # Architecture and result figures
│   └── README.md                      # Figure descriptions
│
└── tools/                             # Utility tools
    └── README.md                      # Tool descriptions and usage

بدء الاستخدام السريع

1. تهيئة البيئة

# Clone this repository
git clone https://github.com/your-org/PacketPatch.git
cd PacketPatch

# Install dependencies
pip install -r requirements.txt

المتطلبات:

• Python 3.7+
• بطاقة NVIDIA GPU بذاكرة ≥6GB (يُوصى بـ RTX 3080 أو أعلى)
• ذاكرة نظام 32GB+

2. تحضير النموذج المدرب مسبقًا والبيانات

تم بناء PacketPatch على ET-BERT. حمّل ما يلي من مستودع ET-BERT:

• pretrained_model.bin — أوزان ET-BERT المدربة مسبقًا
• encryptd_vocab.txt — ملف المفردات لتشفير أزواج البايتات

مجموعات البيانات: نقيّم على ثلاث مجموعات بيانات عامة. انظر dataset/README.md لروابط التحميل وتعليمات المعالجة المسبقة.

مجموعة البيانات	الفئات	السيناريو
ISCX-TOR	16	حركة مرور تور المجهولة
ISCX-VPN	11	أنفاق VPN المشفرة
USTC	20	حركة مرور خبيثة + سليمة

3. تدريب PatchGenerator

cd packet_adv

# Edit adv_fine_tuning_cls.py first:
#   - Update dataset paths (lines 47-50)
#   - Update pretrained model path (lines 73-75)
#   - Set correct num_classes (line 56)
#   - Set correct training set size (line 878)

python adv_fine_tuning_cls.py

سيتم حفظ نقطة التحقق المدربة في دليل السجلات المحدد (مثل span_2seg_cls_log/).

4. توليد الحزم الخصومة

cd packet_adv

# Edit generate.py first:
#   - Update test data paths (lines 42-44)
#   - Update --load_model_path to your trained checkpoint (line 68-69)
#   - Set BWO (bandwidth overhead ratio, line 60, default 0.1)
#   - Choose generation strategy via 'fun' parameter (line 50)

python generate.py

5. (اختياري) تسريع النموذج باستخدام TensorRT

cd packet_adv

# Edit gen_onnx.py first:
#   - Update model checkpoint path (line 132)
#   - Update output paths (lines 145, 207)
#   - Select precision mode: 'fp16' or 'int8' (line 21)

python gen_onnx.py

معلمات التهيئة الأساسية

المعامل	الملف	السطر	الوصف	الافتراضي
BWO	generate.py	60	نسبة عبء النطاق الترددي	0.1 (10%)
fun	generate.py	50	استراتيجية التوليد	'fun5'
n_epochs	adv_fine_tuning_cls.py	53	عصور التدريب	50
batch_size	adv_fine_tuning_cls.py	54	حجم الدفعة	32
num_classes	adv_fine_tuning_cls.py	56	عدد فئات حركة المرور	يعتمد على مجموعة البيانات
learning_rate	adv_fine_tuning_cls.py	94-95	معدل التعلم	2e-5
seq_length	adv_fine_tuning_cls.py	92-93	طول تسلسل الإدخال	256

استراتيجيات التوليد (معامل fun)