PacketPatch: Praktische Generierung und Bereitstellung von adversarialen Paketen für die byte-feature-basierte Klassifikation verschlüsselten Datenverkehrs

Paper: PacketPatch: Praktische Generierung und Bereitstellung von adversarialen Paketen für die byte-feature-basierte Klassifikation verschlüsselten Datenverkehrs Autoren: Yuwei Xu, Yuanyuan Xu, Yunpeng Bai, Jiahui Chen, Kehui Song, Jie Cao, Qiao Xiang, Guang Cheng Zugehörigkeit: Southeast University, Purple Mountain Laboratories, Tiangong University, Queen's University, Xiamen University Status: Angenommen/In Überprüfung (Elsevier)

Übersicht

PacketPatch ist ein praktisches Verfahren zur Generierung adversarialer Netzwerkpakete gegen Byte-Feature-basierte Klassifikation von verschlüsseltem Datenverkehr (B-ETC)-Modelle, mit dem Ziel, die Privatsphäre der Benutzer zu schützen. Im Gegensatz zu bestehenden Methoden, die auf unrealistischen White-Box-Annahmen beruhen oder einen übermäßigen Overhead verursachen, arbeitet PacketPatch unter strengen Black-Box-Bedingungen, während es Echtzeitleistung und Paketnutzbarkeit beibehält.

Hauptmerkmale

Black-Box-Operation: Kein Zugriff auf Gradienten, Parameter oder Trainingsdaten des Zielmodells erforderlich
Benutzeragnostisch: Die Störungsgenerierung basiert ausschließlich auf den Merkmalen des aktuellen Pakets, ohne Verlauf des Benutzerverhaltens
Echtzeiteffizienz: Ein einziger Vorwärtsdurchlauf zur Generierung, durchschnittliche Latenz ~10 ms pro Paket
Kontrollierbarer Bandbreiten-Overhead: Störungslänge ≤ 10 % der ursprünglichen Paketgröße
Paketgültigkeit und Wiederherstellbarkeit: Symmetrische Proxy-Architektur stellt sicher, dass Pakete Integritätsprüfungen bestehen und beim Empfänger perfekt wiederhergestellt werden können

Architektur

PatchGenerator-Arbeitsablauf

Eingabevorbereitung: Paketkopf vom Nutzlast trennen; [MASK]-Tokens vorbereiten (Länge = 10 % der Paketgröße)
Sequenzkonstruktion: Zusammenbau von [CLS] + Header + Pad1 + [SEP] + random_header(hr) + Pad2 + Nutzlast
Störungsgenerierung: Ein einzelner BERT-Vorwärtsdurchlauf → Wahrscheinlichkeitsverteilungen über das Vokabular
- Pad1 → arg min (maximale Störung der ursprünglichen Merkmale)
- Pad2 → arg max (Generierung von Merkmalen, die auf den zufälligen Header abgestimmt sind)
Vektorzusammenbau: Endgültige Störung v = Pad1 + hr + Pad2

Repository-Struktur

PacketPatch/
├── README.md                          # Projektübersicht (diese Datei)
├── LICENSE                            # MIT-Lizenz
├── requirements.txt                   # Python-Abhängigkeiten
├── bert_base_config.json              # BERT-Modellkonfiguration (12 Schichten, 768-dim, 12 Köpfe)
│
├── packet_adv/                        # ★ Zentraler experimenteller Code
│   ├── README.md                      # Anleitung zur Verwendung der Kernmodule
│   ├── adv_fine_tuning_cls.py         # Schritt 1: Trainieren von PatchGenerator (SpanBERT)
│   ├── generate.py                    # Schritt 2: Generieren adversarialer Pakete
│   └── gen_onnx.py                    # Schritt 3 (optional): ONNX-/TensorRT-Beschleunigung
│
├── uer/                               # UER (Universal Encoder Representations) Framework
│   ├── README.md                      # Framework-Dokumentation
│   ├── encoders/                      # Encoder-Implementierungen (Transformer, RNN, CNN)
│   ├── layers/                        # Netzwerkschichten (Embedding, Attention, FFN)
│   ├── targets/                       # Trainingsziele (MLM, NSP, Span-MBM, usw.)
│   ├── models/                        # Modelldefinition
│   ├── utils/                         # Hilfsprogramme (Tokenisierer, Optimierer, Datenladen)
│   ├── model_builder.py               # Modellkonstruktion
│   ├── model_loader.py                # Laden vortrainierter Gewichte
│   ├── model_saver.py                 # Speichern von Modell-Checkpoints
│   ├── trainer.py                     # Implementierung der Trainingsschleife
│   └── opts.py                        # CLI-Argumentdefinitionen
│
├── dataset/                           # Datensatzdokumentation
│   └── README.md                      # Datensatzbeschreibungen, Download-Links, Vorverarbeitung
│
├── image/                             # Architektur- und Ergebnisabbildungen
│   └── README.md                      # Abbildungsbeschreibungen
│
└── tools/                             # Hilfswerkzeuge
    └── README.md                      # Werkzeugbeschreibungen und -verwendung

Schnellstart

1. Einrichtung der Umgebung

# Dieses Repository klonen
git clone https://github.com/your-org/PacketPatch.git
cd PacketPatch

# Abhängigkeiten installieren
pip install -r requirements.txt

Anforderungen:

Python 3.7+
NVIDIA-GPU mit ≥6 GB VRAM (empfohlen: RTX 3080 oder höher)
32 GB+ Arbeitsspeicher

2. Vortrainiertes Modell und Datensätze vorbereiten

PacketPatch basiert auf ET-BERT. Laden Sie Folgendes aus dem ET-BERT-Repository herunter:

pretrained_model.bin — Vortrainierte ET-BERT-Gewichte
encryptd_vocab.txt — Vokabular-Datei für die Byte-Paar-Kodierung

Datensätze: Wir evaluieren auf drei öffentlichen Datensätzen. Siehe dataset/README.md für Download-Links und Vorverarbeitungshinweise.

Datensatz	Klassen	Szenario
ISCX-TOR	16	Tor-anonymer Datenverkehr
ISCX-VPN	11	VPN-verschlüsselte Tunnel
USTC	20	Schadsoftware + gutartiger Datenverkehr

3. PatchGenerator trainieren

cd packet_adv

# Zuerst adv_fine_tuning_cls.py bearbeiten:
#   - Datensatzpfade aktualisieren (Zeilen 47-50)
#   - Pfad zum vortrainierten Modell aktualisieren (Zeilen 73-75)
#   - Richtige num_classes setzen (Zeile 56)
#   - Richtige Trainingsset-Größe setzen (Zeile 878)

python adv_fine_tuning_cls.py

Der trainierte Checkpoint wird im angegebenen Log-Verzeichnis gespeichert (z. B. span_2seg_cls_log/).

4. Adversariale Pakete generieren

cd packet_adv

# Zuerst generate.py bearbeiten:
#   - Testdatenpfade aktualisieren (Zeilen 42-44)
#   - --load_model_path auf Ihren trainierten Checkpoint setzen (Zeilen 68-69)
#   - BWO (Bandbreiten-Overhead-Verhältnis) setzen (Zeile 60, Standard 0.1)
#   - Generierungsstrategie über Parameter 'fun' auswählen (Zeile 50)

python generate.py

5. (Optional) Modellbeschleunigung mit TensorRT

cd packet_adv

# Zuerst gen_onnx.py bearbeiten:
#   - Pfad zum Modell-Checkpoint aktualisieren (Zeile 132)
#   - Ausgabepfade aktualisieren (Zeilen 145, 207)
#   - Präzisionsmodus auswählen: 'fp16' oder 'int8' (Zeile 21)

python gen_onnx.py

PacketPatch

Beliebteste