PacketPatch: 바이트 특징 기반 암호화 트래픽 분류를 위한 적대적 패킷의 실용적인 생성 및 배포

논문: PacketPatch: Practical Generation and Deployment of Adversarial Packets for Byte-Feature-Based Encrypted Traffic Classification 저자: Yuwei Xu, Yuanyuan Xu, Yunpeng Bai, Jiahui Chen, Kehui Song, Jie Cao, Qiao Xiang, Guang Cheng 소속: Southeast University, Purple Mountain Laboratories, Tiangong University, Queen's University, Xiamen University 상태: 수락됨/심사 중 (Elsevier)

개요

PacketPatch는 사용자 프라이버시 보호를 목표로 바이트 특징 기반 암호화 트래픽 분류(B-ETC) 모델에 대한 적대적 네트워크 패킷을 생성하는 실용적인 기법입니다. 비현실적인 화이트박스 가정에 의존하거나 과도한 오버헤드를 유발하는 기존 방법과 달리, PacketPatch는 실시간 성능과 패킷 사용성을 유지하면서 엄격한 블랙박스 조건에서 작동합니다.

주요 특징

블랙박스 작동: 대상 모델의 그래디언트, 파라미터 또는 학습 데이터에 접근할 필요 없음
사용자 무관: 교란 생성은 현재 패킷 특징에만 의존하며, 사용자 행동 기록 불필요
실시간 효율성: 단일 순방향 전파 생성, 패킷당 평균 지연 시간 ~10ms
제어 가능한 대역폭 오버헤드: 교란 길이가 원본 패킷 크기의 10% 이하
패킷 유효성 및 복원 가능성: 대칭 프록시 아키텍처를 통해 패킷이 무결성 검사를 통과하고 수신 측에서 완벽하게 복원 가능

아키텍처

PatchGenerator 워크플로우

입력 준비: 패킷 헤더와 페이로드 분리; [MASK] 토큰 준비 (길이 = 패킷 크기의 10%)
시퀀스 구성: [CLS] + 헤더 + Pad1 + [SEP] + random_header(hr) + Pad2 + 페이로드 조합
교란 생성: 단일 BERT 순방향 전파 → 어휘에 대한 확률 분포
- Pad1 → arg min (원본 특징을 최대한 교란)
- Pad2 → arg max (무작위 헤더와 일치하는 특징 생성)
벡터 조립: 최종 교란 v = Pad1 + hr + Pad2

저장소 구조

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

빠른 시작

1. 환경 설정

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

# Install dependencies
pip install -r requirements.txt

요구 사항:

Python 3.7+
NVIDIA GPU with ≥6GB VRAM (권장: RTX 3080 이상)
32GB 이상의 시스템 메모리

2. 사전 학습 모델 및 데이터셋 준비

PacketPatch는 ET-BERT를 기반으로 구축되었습니다. ET-BERT 저장소에서 다음을 다운로드하세요:

pretrained_model.bin — ET-BERT 사전 학습 가중치
encryptd_vocab.txt — 바이트 쌍 인코딩을 위한 어휘 파일

데이터셋: 세 가지 공개 데이터셋으로 평가합니다. 다운로드 링크와 전처리 지침은 dataset/README.md를 참조하세요.

데이터셋	클래스	시나리오
ISCX-TOR	16	Tor 익명 트래픽
ISCX-VPN	11	VPN 암호화 터널
USTC	20	악성코드 + 정상 트래픽

3. PatchGenerator 학습

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

학습된 체크포인트는 지정된 로그 디렉터리(예: span_2seg_cls_log/)에 저장됩니다.

4. 적대적 패킷 생성

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. (선택 사항) TensorRT를 이용한 모델 가속화

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

주요 구성 매개변수

생성 전략 (`fun` 매개변수)

학습 과제

PacketPatch의 PatchGenerator는 두 가지 자기 지도 학습 과제로 학습됩니다:

SCP (동일 카테고리 예측, Same Category Prediction)

두 입력 패킷이 동일한 트래픽 카테고리에 속하는지 판단합니다. 이를 통해 모델은 구별적 특징 추출 능력을 갖추게 됩니다.

손실: 이진 교차 엔트로피

Span-MBM (스팬 마스크 바이트 모델링, Span Masked Byte Modeling)

양방향 컨텍스트를 사용하여 연속적인 마스킹된 바이트 스팬을 재구성합니다. 이를 통해 모델은 컨텍스트 인식 바이트 시퀀스 생성 능력을 갖추게 됩니다.

손실: 음의 로그 우도 전체 손실: Loss = Loss_SCP + Loss_Span-MBM

결과 요약

방어 효과 (DSR: 방어 성공률)

방어 효과

시간 오버헤드

단계	시간 (ms/패킷)
패킷 전처리	0.054
교란 생성	9.626
패킷 재구성	0.398
총계	10.078

PacketPatch는 엄격한 블랙박스 가정 하에 다음과 같은 화이트박스 기준 방법들을 능가합니다:

기준 방법과의 비교

인용

연구에서 PacketPatch를 사용하실 경우, 다음 논문을 인용해 주세요:

@article{xu2025packetpatch,
    title = {PacketPatch: Practical Generation and Deployment of Adversarial Packets for Byte-Feature-Based Encrypted Traffic Classification},
    author = {Yuwei Xu and Yuanyuan Xu and Yunpeng Bai and Jiahui Chen and Kehui Song and Jie Cao and Qiao Xiang and Guang Cheng},
    journal = {Elsevier},
    year = {2025},
}

라이선스

이 프로젝트는 MIT 라이선스에 따라 사용이 허가됩니다. 자세한 내용은 LICENSE 파일을 참조하세요.

연락처

질문이나 문의 사항이 있으시면 교신 저자에게 연락하거나 GitHub에 이슈를 열어 주세요.

Yuwei Xu — [email protected]
Yuanyuan Xu — [email protected]

감사의 말

이 프로젝트는 사전 학습 모델과 UER(Universal Encoder Representations) 학습 프레임워크를 제공하는 ET-BERT 프레임워크를 기반으로 구축되었습니다. ET-BERT 저자분들의 소중한 기여에 감사드립니다.

`BWO`	generate.py	60	대역폭 오버헤드 비율	0.1 (10%)
`fun`	generate.py	50	생성 전략	'fun5'
`n_epochs`	adv_fine_tuning_cls.py	53	학습 에폭	50
`batch_size`	adv_fine_tuning_cls.py	54	배치 크기	32
`num_classes`	adv_fine_tuning_cls.py	56	트래픽 클래스 수	데이터셋에 따라 다름
`learning_rate`	adv_fine_tuning_cls.py	94-95	학습률	2e-5
`seq_length`	adv_fine_tuning_cls.py	92-93	입력 시퀀스 길이	256

`fun1`	단일 세그먼트, argmin 선택
`fun2`	이중 세그먼트, 둘 다 argmax
`fun3`	이중 세그먼트, 고정 50/50 분할, Pad1 argmin + Pad2 argmax
`fun4`	이중 세그먼트, 랜덤 분할, Pad1 argmin + Pad2 argmax
`fun5` (기본값)	이중 세그먼트 + 랜덤 더미 헤더, Pad1 argmin + Pad2 argmax
`fun6`	이중 세그먼트 + 더미 헤더, NSP 기반 전략
`random`	랜덤 기준선
`random_dummy_head`	랜덤 헤더 교체 기준선
`random_pad`	랜덤 패딩 기준선

PacketPatch

인기