Progettazione e sviluppo di un modello di Deep Learning per la classificazione automatica delle app installate su dispositivi mobili attraverso l'analisi del traffico di rete = Design and development of a Deep Learning Model for the automatic classification of installed apps on mobile devices through network traffic analysis

Contestualmente all’analisi del traffico di rete, l’attuale innalzamento della quantità di dati cifrati sta rendendo sempre più inefficaci i metodi di categorizzazione precedentemente sviluppati. In virtù di ciò, la ricerca sta esplorando nuove possibilità attraverso l’applicazione e l’utilizzo di tecniche di machine learning e deep learning per ottenere prestazioni migliori. Risultano di particolare interesse, nella recente letteratura, modelli capaci di elaborare grafi (strutture grafiche costruite attraverso nodi e archi), al fine di esprimere predizioni, in quanto strumenti più efficaci in tale contesto. In questo progetto, svolto nell'ambito di una collaborazione con RCS ETM SICUREZZA, questa metodologia viene messa in discussione esplorandone l’efficacia e implementando un modello capace di analizzare il traffico di rete utilizzando una sua rappresentazione grafica basata su grafi. Lo scopo ultimo è quello di identificare quali applicazioni siano installate su un dispositivo mobile attraverso l’analisi del suo traffico. Lo studio è posto in un contesto reale, dove le condizioni ottimali per il riconoscimento del traffico non sono rispettate. La classificazione presenta molteplici complessità, dovute al gran numero di flussi generati per ogni connessione del dispositivo mobile ai servizi applicativi e alla loro frequente sovrapposizione temporale. Durante lo svolgimento del progetto di tesi, sono state esplorate diverse logiche per la rappresentazione grafica dei flussi di dati, per contrastare l’effetto della struttura quasi aleatoria che il traffico dati presenta. Lo sviluppo, quindi, non si è solo concentrato sull’implementazione del modello di deep learning; ha considerato, inoltre, il software che, dai dati grezzi raccolti in file PCAP, costruisce i grafi estraendo le informazioni necessarie per l’apprendimento. Il tipo di modello prescelto per l’implementazione è una rete neurale per lo studio di grafi con strati di convoluzione basati sul calcolo dell’attenzione con strategia “multi-head”. Per garantire una potenza di calcolo elevata e una gestione sicura della memoria, l’implementazione del progetto è stata fatta utilizzando Rust quale linguaggio di programmazione. Questa scelta ha comportato sfide tecniche significative, dal momento che Rust è un linguaggio ancora poco esplorato nel contesto del machine learning. Viene evidenziato come Rust e le sue crate in questo ambito non presentano ad oggi una maturità tale da permettere uno sviluppo e un’espressione paragonabile a Python attualmente più utilizzato. Infine, i risultati ottenuti sottolineano come il metodo proposto, applicato ad un contesto reale, seppure non ottenga gli stessi livelli di accuratezza presentati dalla letteratura di riferimento, in alcuni casi è in grado di identificare correttamente le applicazioni installate sul dispositivo mobile.