PacketPatch: बाइट-फीचर-आधारित एन्क्रिप्टेड ट्रैफिक वर्गीकरण के लिए एडवरसैरियल पैकेट्स की व्यावहारिक पीढ़ी और तैनाती

पेपर: PacketPatch: बाइट-फीचर-आधारित एन्क्रिप्टेड ट्रैफिक वर्गीकरण के लिए एडवरसैरियल पैकेट्स की व्यावहारिक पीढ़ी और तैनाती लेखक: Yuwei Xu, Yuanyuan Xu, Yunpeng Bai, Jiahui Chen, Kehui Song, Jie Cao, Qiao Xiang, Guang Cheng संबद्धता: Southeast University, Purple Mountain Laboratories, Tiangong University, Queen's University, Xiamen University स्थिति: स्वीकृत/समीक्षाधीन (Elsevier)

अवलोकन

PacketPatch बाइट-फीचर-आधारित एन्क्रिप्टेड ट्रैफिक वर्गीकरण (B-ETC) मॉडलों के विरुद्ध एडवरसैरियल नेटवर्क पैकेट उत्पन्न करने के लिए एक व्यावहारिक योजना है, जिसका उद्देश्य उपयोगकर्ता की गोपनीयता की रक्षा करना है। मौजूदा तरीकों के विपरीत जो अवास्तविक व्हाइट-बॉक्स धारणाओं पर निर्भर करते हैं या अत्यधिक ओवरहेड पेश करते हैं, PacketPatch सख्त ब्लैक-बॉक्स स्थितियों के तहत काम करता है, साथ ही रीयल-टाइम प्रदर्शन और पैकेट उपयोगिता बनाए रखता है।

मुख्य विशेषताएँ

• ब्लैक-बॉक्स संचालन: लक्ष्य मॉडल के ग्रेडिएंट, पैरामीटर या प्रशिक्षण डेटा तक पहुंच की आवश्यकता नहीं है
• उपयोगकर्ता-अज्ञेय: पर्टरबेशन उत्पत्ति पूरी तरह से वर्तमान पैकेट सुविधाओं पर निर्भर करती है, उपयोगकर्ता व्यवहार इतिहास के बिना
• रीयल-टाइम दक्षता: सिंगल फॉरवर्ड पास जनरेशन, प्रति पैकेट औसत विलंब ~10 ms
• नियंत्रणीय बैंडविड्थ ओवरहेड: पर्टरबेशन लंबाई ≤ मूल पैकेट आकार का 10%
• पैकेट वैधता और पुनर्प्राप्ति क्षमता: सममित प्रॉक्सी आर्किटेक्चर सुनिश्चित करता है कि पैकेट अखंडता जांच पास करते हैं और रिसीवर पर पूरी तरह बहाल किए जा सकते हैं

आर्किटेक्चर

PatchGenerator कार्यप्रवाह

1. इनपुट तैयारी: पैकेट हेडर को पेलोड से अलग करें; [MASK] टोकन तैयार करें (लंबाई = पैकेट आकार का 10%)
2. अनुक्रम निर्माण: [CLS] + header + Pad1 + [SEP] + random_header(hr) + Pad2 + payload को जोड़ें
3. पर्टरबेशन उत्पत्ति: सिंगल BERT फॉरवर्ड पास → शब्दावली पर संभाव्यता वितरण
   • Pad1 → arg min (मूल सुविधाओं को अधिकतम बाधित करता है)
   • Pad2 → arg max (यादृच्छिक हेडर के साथ संरेखित सुविधाएँ उत्पन्न करता है)
4. वेक्टर असेंबली: अंतिम पर्टरबेशन v = Pad1 + hr + Pad2

रिपॉजिटरी संरचना

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

त्वरित आरंभ

1. पर्यावरण सेटअप

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

# Install dependencies
pip install -r requirements.txt

आवश्यकताएँ:

• Python 3.7+
• NVIDIA GPU जिसमें ≥6GB VRAM हो (अनुशंसित: RTX 3080 या उससे ऊपर)
• 32GB+ सिस्टम मेमोरी

2. प्रीट्रेंड मॉडल और डेटासेट तैयार करें

PacketPatch, ET-BERT पर आधारित है। ET-BERT रिपॉजिटरी से निम्नलिखित डाउनलोड करें:

• pretrained_model.bin — ET-BERT प्रीट्रेंड वेट्स
• encryptd_vocab.txt — बाइट-पेयर एन्कोडिंग के लिए शब्दावली फ़ाइल

डेटासेट: हम तीन सार्वजनिक डेटासेट पर मूल्यांकन करते हैं। डाउनलोड लिंक और प्रीप्रोसेसिंग निर्देशों के लिए dataset/README.md देखें।

डेटासेट	कक्षाएं	परिदृश्य
ISCX-TOR	16	Tor अनाम ट्रैफिक
ISCX-VPN	11	VPN एन्क्रिप्टेड टनल
USTC	20	मैलवेयर + हानिरहित ट्रैफिक

3. PatchGenerator को प्रशिक्षित करें

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

प्रशिक्षित चेकपॉइंट निर्दिष्ट लॉग निर्देशिका में सहेजा जाएगा (जैसे, span_2seg_cls_log/)।

4. एडवरसैरियल पैकेट उत्पन्न करें

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. (वैकल्पिक) TensorRT के साथ मॉडल त्वरण

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

मुख्य कॉन्फ़िगरेशन पैरामीटर

पैरामीटर	फ़ाइल	पंक्ति	विवरण	डिफ़ॉल्ट
BWO	generate.py	60	बैंडविड्थ ओवरहेड अनुपात	0.1 (10%)
fun	generate.py	50	जनरेशन रणनीति	'fun5'
n_epochs	adv_fine_tuning_cls.py	53	प्रशिक्षण इपॉक्स	50
batch_size	adv_fine_tuning_cls.py	54	बैच आकार	32
num_classes	adv_fine_tuning_cls.py	56	ट्रैफिक कक्षाओं की संख्या	डेटासेट पर निर्भर
learning_rate	adv_fine_tuning_cls.py	94-95	सीखने की दर	2e-5
seq_length	adv_fine_tuning_cls.py	92-93	इनपुट अनुक्रम लंबाई	256

जनरेशन रणनीतियाँ (fun पैरामीटर)