Fingerprinting Mobile Applications with Deep Learning

The main goal of this thesis is to develop a deep Neural Network to identify whether an app is installed or not in a mobile device by only looking at the (encrypted) network traffic the device generates. We will provide the student with a dataset of network traffic collected from a set of apps. If the student makes quick progress, they may extend the Neural Network to also identify speci c actions on the apps. In that case, we will provide the student with the tools to collect new data (i.e., a laptop and a smartphone).Nowadays, Traffic Network Classification is having a high impact on various studies such as firewalls, intrusion detection systems or status reports and Quality of Service systems. The success of the results is due to the evolution of Deep Learning in this area of study during the past years. In this thesis, a 1D-CNN\&LSTM model is designed that, through the encrypted flows coming from a smart-phone, can discover from which applications come from and thus showing is possible to attack the privacy of the people. Based on a study with 73 different apps, 83% accuracy is achieved in the classification of traces, indicating which are the most vulnerable. To complete the study, applications that provide more sensitive information of the user are selected and which have more samples, and an individual examination is carried outHoy en día, la Clasificación de Tráfico de datos está teniendo un gran impacto en diversos estudios como cortafuegos, sistemas de detección de intrusos o informes de estado y sistemas de Calidad del Servicio. El éxito de los resultados se debe a la evolución del Aprendizaje Profundo en esta área de estudio durante los últimos años. En este tesis, se diseña un modelo 1D-CNN\&LSTM que, mediante los flujos encriptados procedentes de un teléfono inteligente, puede descubrir de qué aplicació provienen y así mostrar que es possible atacar la privacidad de la gente. Basándose en un estudio con 73 aplicaciones diferentes, se consigue un 83\% de acierto en la clasificación de trazas, indicando cuáles son las más vulnarables. Para completar el estudio, se seleccionan las aplicaciones que aportan información más sensible del usuario y también de las que se tiene más muestras, y se realiza un estudio individual.Avui en dia, la Classificació de Trànsit de dades està tenint un gran impacte en diversos estudis com ara tallafocs, sistemes de detecció d'intrusos o informes d'estat i sistemes de Qualitat del Servei. L?èxit dels resultats es deu a l?evolució de l'Aprenentatge Profund en aquesta àrea d'estudi durant els darrers anys. En aquest tesi, es dissenya un model 1D-CNN\&LSTM que, mitjançant els fluxos encriptats procedents d'un telèfon intel·ligent, pot descubrir de quina aplicació provenen i així mostrar que és possible atacar la privacitat de la gent. Basant-se en un estudi amb 73 aplicacions diferents, s'aconsegueix un 83\% d'encert en la classificació de traces, indicant quines són les més vulnarables. Per completar l?estudi, es seleccionen les aplicacions que aporten informació més sensible de l'usuari i també de les que es tenen més mostres, i es realiza un estudi individual