PacketPatch: Generazione e Implementazione Pratica di Pacchetti Avversariali per la Classificazione del Traffico Criptato Basata su Caratteristiche Byte

Articolo: PacketPatch: Practical Generation and Deployment of Adversarial Packets for Byte-Feature-Based Encrypted Traffic Classification Autori: Yuwei Xu, Yuanyuan Xu, Yunpeng Bai, Jiahui Chen, Kehui Song, Jie Cao, Qiao Xiang, Guang Cheng Affiliazioni: Southeast University, Purple Mountain Laboratories, Tiangong University, Queen's University, Xiamen University Stato: Accettato/In Revisione (Elsevier)

Panoramica

PacketPatch è uno schema pratico per generare pacchetti di rete avversariali contro modelli di Classificazione del Traffico Criptato Basata su Caratteristiche Byte (B-ETC), con l'obiettivo di proteggere la privacy dell'utente. A differenza dei metodi esistenti che si basano su presupposti white-box irrealistici o introducono un overhead eccessivo, PacketPatch opera in rigorose condizioni black-box mantenendo prestazioni in tempo reale e usabilità dei pacchetti.

Caratteristiche Principali

• Operatività Black-Box: Nessun accesso richiesto ai gradienti, parametri o dati di training del modello target
• Agnostico rispetto all'Utente: La generazione delle perturbazioni si basa esclusivamente sulle caratteristiche del pacchetto corrente, senza cronologia del comportamento dell'utente
• Efficienza in Tempo Reale: Generazione con un singolo forward pass, latenza media ~10 ms per pacchetto
• Overhead di Banda Controllabile: Lunghezza della perturbazione ≤ 10% della dimensione originale del pacchetto
• Validità e Recuperabilità del Pacchetto: L'architettura proxy simmetrica garantisce che i pacchetti superino i controlli di integrità e possano essere perfettamente ripristinati al ricevitore

Architettura

Flusso di Lavoro di PatchGenerator

1. Preparazione dell'Input: Separare l'intestazione del pacchetto dal payload; preparare token [MASK] (lunghezza = 10% della dimensione del pacchetto)
2. Costruzione della Sequenza: Assemblaggio di [CLS] + header + Pad1 + [SEP] + random_header(hr) + Pad2 + payload
3. Generazione della Perturbazione: Singolo forward pass BERT → distribuzioni di probabilità sul vocabolario
   • Pad1 → arg min (disturba al massimo le caratteristiche originali)
   • Pad2 → arg max (genera caratteristiche allineate con l'header casuale)
4. Assemblaggio del Vettore: Perturbazione finale v = Pad1 + hr + Pad2

Struttura del Repository

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

Avvio Rapido

1. Configurazione dell'Ambiente

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

# Install dependencies
pip install -r requirements.txt

Requisiti:

• Python 3.7+
• GPU NVIDIA con ≥6GB di VRAM (consigliata: RTX 3080 o superiore)
• 32GB+ di memoria di sistema

2. Preparare il Modello Pre-Addestrato e i Dataset

PacketPatch è basato su ET-BERT. Scaricare quanto segue dal repository ET-BERT:

• pretrained_model.bin — Pesi pre-addestrati di ET-BERT
• encryptd_vocab.txt — File del vocabolario per la codifica byte-pair

Dataset: Valutiamo su tre dataset pubblici. Consultare dataset/README.md per i link di download e le istruzioni di pre-elaborazione.

Dataset	Classi	Scenario
ISCX-TOR	16	Traffico anonimo Tor
ISCX-VPN	11	Tunnel VPN criptati
USTC	20	Traffico malware + benigno

3. Addestrare 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

Il checkpoint addestrato verrà salvato nella directory di log specificata (ad es., span_2seg_cls_log/).

4. Generare Pacchetti Avversariali

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. (Opzionale) Accelerazione del Modello con 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

Parametri di Configurazione Chiave

Parametro	File	Riga	Descrizione	Predefinito
BWO	generate.py	60	Rapporto di overhead di banda	0.1 (10%)
fun	generate.py	50	Strategia di generazione	'fun5'
n_epochs	adv_fine_tuning_cls.py	53	Epoche di training	50
batch_size	adv_fine_tuning_cls.py	54	Dimensione del batch	32
num_classes	adv_fine_tuning_cls.py	56	Numero di classi di traffico	Dipende dal dataset
learning_rate	adv_fine_tuning_cls.py	94-95	Tasso di apprendimento	2e-5
seq_length	adv_fine_tuning_cls.py	92-93	Lunghezza della sequenza in input	256

Strategie di Generazione (parametro fun)