Enhanced BERT for Encrypted Traffic Classification: Lightweight and Robust Approach

본 논문은 자원이 제한된 네트워크 시스템에서 암호화된 트래픽 분류를 위해 설계된 경량화 되고 강건한 BERT 모델인 SRB-ET(Slim and Robust BERT for Encrypted Traffic)를 제안한다. SRB-ET는 모델 크기를 줄이면서도 높은 분류 성능을 유지하기 위해 이웃 가중치 가중합 공유와 절반 확률 라벨 예측 기법을 사용한다. 이웃 가중치 가중합 공유는 가지치기 된 레이어의 가중치를 인접 레이어에 가중합하여 성능 손실을 최소화하고 학습 속도를 향상시킨다. 절반 확률 라벨 예측은 사전학습 중 라벨을 50%의 확률로 예측하여 효율적으로 카테고리 특징을 학습하고 더 빠르게 수렴할 수 있도록 한다. ISCX VPN-nonVPN 데이터 세트를 사용한 실험 결과, SRB-ET는 기존 기법 대비 트래픽 분류 정확도는 유지하면서 파라미터 수를 15.12% 줄이고 추론 시간을 45.1% 단축하며, 학습 속도를 54.9% 향상 시켰다.