세션 및 패킷 번들 단위에서의 WeChat 행위 분석

Abstract

현대 네트워크 환경에서는 암호화로 인해 페이로드 기반 분석이 어려워지면서, 세션과 패킷의 통계적 특성을활용한 행위기반트래픽분석의중요성이커지고있다. 본연구는WeChat 트래픽을 대상으로, 세션 구조와 시간적 패턴을 통합 학습하는 이중 Convolutional Neural Network(CNN) 기반 행위 분석 프레임워크를 제안하였다.특히 동일 세션 내의 행위 분석이 불가능하다는 세션 단위 분석의 한계를 보완하기 위해 ‘패킷 번들(Packet Bundle)’ 개념을 새롭게 도입하여 세션 내부의 시간 구간별 패턴 변화를 정량적으로 분석하고, Chat과 File Transfer와 같은 동일 세션 내 발생 행위를 효과적으로 구분하였다. 제안된 모델은 세션 단위의 2D CNN과 패킷번들 단위의 1D CNN을 결합하여 Voice, Video, Chat/File Transfer, Others 세션을 높은 정확도로 분류하였으며, 1D CNN은 평균 97%의 정확도를 기록하였다. 또한 WhatsApp, KakaoTalk 데이터셋에서도 유사한 성능을 보여방법의 범용성과 실용성을 입증하였다. 본 연구는 세션 및 패킷 번들 기반의 시공간적 특징 학습을 통해 암호화된환경에서도세밀한행위인식이가능한효율적분석프레임워크를제시한다.

Keywords

Network Traffic Classification, WeChat Behavior Analysis, Packet Bundle

Citation

김지민, 김란아, 장윤성, 백의준, 김명섭. “세션 및 패킷 번들 단위에서의 WeChat 행위 분석.” KNOM Review, Vol. 28, No. 2, pp. 33–40, December 31, 2025.

원문 및 DOI