MalRAG: A Retrieval-Augmented LLM Framework for Open-set Malicious Traffic Identification
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院)
针对现有深度模型可迁移性差、需逐数据集调优的问题,提出首个LLM驱动的检索增强框架MalRAG,通过多视图知识库构建、自适应检索与提示工程,在开集恶意流量识别任务上取得SOTA效果。
2025-11-18 cs.CR cs.LG
Feature Analysis of Encrypted Malicious Traffic
San Jose State University(圣何塞州立大学)
本文针对加密HTTP恶意流量检测,应用三种机器学习方法区分恶意与良性流量,并证明可直接从模型中获取可靠的特征重要性及非直观交互信息。
2023-12-06 cs.CR cs.LG
Machine Learning-Based Malicious Vehicle Detection for Security Threats and Attacks in Vehicle Ad-hoc Network (VANET) Communications
University of Engineering and Technology, Vietnam National University, Hanoi(越南国立大学河内工程技术大学)
本文针对VANET中的黑洞攻击,构建正常与恶意流量数据集,提取判别特征,并评估多种机器学习算法的检测效果,验证了该方法能有效提升VANET安全性。
2024-01-16 cs.CR cs.LG cs.NI
Darknet Traffic Big-Data Analysis and Network Management to Real-Time Automating the Malicious Intent Detection Process by a Weight Agnostic Neural Networks Framework
International Hellenic University(国际希腊大学);Democritus University of Thrace(德谟克利特大学);Hellenic National Defence General Staff(希腊国防参谋本部);University of Aegean(爱琴大学)
攻击者不断修改策略以避免被检测到,并经常利用已部署在网络环境中的可信工具的合法凭据,使组织难以主动识别关键的安全风险。网络流量分析产品的出现是为了应对攻击者的不断创新,为组织提供了一条打击创造性攻击者的现实道路。此外,由于云计算、设备运营商流程和物联网的广泛采用,保持有效的网络可见性已成为一个高度复杂和压倒性的过程。使网络流量分析技术特别有意义的是它能够结合其核心功能来提供恶意意图检测。在本文中,我们提出了一种新的暗网流量分析和网络管理框架,使用权重不可知的神经网络架构实时的【形】自动化恶意意图检测过程。它是一个有效和准确的计算智能取证工具,用于网络流量分析、恶意软件流量的解密和加密流量的实时的【形】识别。基于权值不可知的神经网络方法,我们提出了一种自动搜索神经网络结构的策略,可以执行各种任务,如识别零日攻击。通过自动化来自暗网的恶意意图检测过程,先进的解决方案正在减少阻止许多组织有效保护其最关键资产的技能和工作障碍。
2021-02-16 cs.CR cs.LG
Feature Mining for Encrypted Malicious Traffic Detection with Deep Learning and Other Machine Learning Algorithms
Cybersecurity Strategic Technology Centre Singapore Technologies Engineering
针对加密流量难以解密检测的问题,提出加密流量特征新概念及双层检测框架,整合深度学习与传统机器学习算法,在优于ResNet等算法的同时构建了更全面的数据集。
2023-04-07 cs.AI cs.CR cs.LG
Realtime Robust Malicious Traffic Detection via Frequency Domain Analysis
Tsinghua University(清华大学);Beijing Institute of Technology(北京理工大学);Peng Cheng Laboratory(鹏城实验室)
基于机器学习(ML)的恶意流量检测是一种新兴的安全范例,特别是对于零日攻击检测,其是对现有的基于规则的检测的补充。然而,现有的基于ML的检测具有低检测精度和低吞吐量所引起的低效的流量特征提取。因此,它们不能实时检测攻击,特别是在高吞吐量网络中。特别是,这些检测系统类似于现有的基于规则的检测可以很容易地规避复杂的攻击。为此,我们提出了Whisper,一个基于ML的实时恶意流量检测系统,通过利用频域特征实现了高精度和高吞吐量。该算法利用频域特征表示的序列特征实现有限的信息损失,保证了较高的检测精度,同时约束了特征的尺度,实现了较高的检测吞吐量。特别是,攻击者不能轻易地干扰频域特征,因此Whisper对各种规避攻击具有鲁棒性。我们对42种攻击类型的实验表明,与最先进的系统相比,Whisper可以准确地检测各种复杂和隐蔽的攻击,最多可以提高18.36%,同时实现两个数量级的吞吐量。即使在各种规避攻击下,Whisper仍然能够保持90%左右的检测准确率。
2021-09-16 cs.CR cs.LG
Detection of Malicious DNS-over-HTTPS Traffic: An Anomaly Detection Approach using Autoencoders
针对DNS加密导致传统检测失效的问题,本文提出基于自编码器的异常检测方法,仅观察加密DoH流量即可识别恶意流量,包括零日攻击,实验显示中位F-1分数达99%,优于其他异常检测算法。
2023-10-17 cs.CR
Exploring Emerging Trends in 5G Malicious Traffic Analysis and Incremental Learning Intrusion Detection Strategies
本文研究5G网络恶意流量检测挑战,分析AI检测方法与SOTA,提出数据集七项标准及三大待解决问题,并验证增量学习技术可部分解决这些问题。
2024-02-22 cs.CR
Integrating Explainable AI for Effective Malware Detection in Encrypted Network Traffic
University of Bari(巴里大学)
本文整合XAI与集成学习,基于多视图特征检测加密恶意流量,构建涵盖54个恶意软件家族的1,127条连接数据集,并利用SHAP解释关键特征,模型性能超过99%。
2025-01-09 cs.CR cs.LG
Detecting Unknown Encrypted Malicious Traffic in Real Time via Flow Interaction Graph Analysis
在本文中,我们提出了HyperVision,一个实时无监督的机器学习(ML)的恶意流量检测系统。特别是,HyperVision能够通过利用基于流量模式构建的紧凑内存图来检测加密恶意流量的未知模式。该图捕获由图结构特征表示的流交互模式,而不是特定已知攻击的特征。我们开发了一种无监督的图学习方法,通过分析图的连通性,稀疏性和统计特征来检测异常交互模式,这使得HyperVision可以检测各种加密的攻击流量,而不需要任何已知攻击的标记数据集。此外,我们建立了一个信息论模型,证明了图所保持的信息接近理想的理论界。我们通过92个数据集的真实实验展示了HyperVision的性能,其中包括48次加密恶意流量的攻击。实验结果表明,HyperVision实现了至少0.92 AUC和0.86 F1,显著优于最先进的方法。特别是在我们的实验中,超过50%的攻击可以逃避所有这些方法。此外,HyperVision实现了至少80.6 Gb/s的检测吞吐量,平均检测延迟为0.83 s。
2023-01-31 cs.CR
Frequency-Domain Mixing Data Augmentation for Malicious Traffic Detection
State Key Laboratory of Complex & Critical Software Environment, Beihang University(复杂与关键软件环境国家重点实验室,北京航空航天大学)
针对恶意流量检测中数据多样性不足和分布外泛化差的问题,提出改进的频域混合数据增强方法,理论分析混合机制,增强序列特征多样性,实验证明优于现有方法。
2026-09-09 cs.CR
A Taxonomy of Malicious Traffic for Intrusion Detection Systems
随着网络威胁的不断增加,为了设计更好的入侵检测系统,了解现有的和新的网络威胁是至关重要的。在本文中,我们提出了一种分类网络攻击的一致的方式,使安全研究人员能够集中精力创建准确的入侵检测系统和有针对性的数据集。
2018-06-09 cs.CR
Low-Quality Training Data Only? A Robust Framework for Detecting Encrypted Malicious Network Traffic
针对低质量训练数据导致加密恶意流量检测性能下降的问题,提出RAPIER框架,利用正常与恶意数据在特征空间的分布差异增强数据并纠正标签噪声,在公开及真实数据集上显著提升F1分数。
2023-09-09 cs.CR
Detecting unknown HTTP-based malicious communication behavior via generated adversarial flows and hierarchical traffic features
针对HTTP恶意通信检测泛化能力不足的问题,提出HMCD-Model模型,利用WGAN-GP生成对抗流量进行数据增强,并结合CNN和LSTM提取层次化时空特征,在多数据集上F1值平均提升20%以上,有效检测未知恶意通信。
2023-09-07 cs.CR cs.NI
Classification and Explanation of Distributed Denial-of-Service (DDoS) Attack Detection using Machine Learning and Shapley Additive Explanation (SHAP) Methods
Massey University(梅西大学);UCOL Te Pūkenga(新西兰国立理工学院UCOL);Central Queensland University(中央昆士兰大学);CSIRO Data61(澳大利亚联邦科学与工业研究组织Data61)
提出结合机器学习与SHAP的DDoS攻击检测框架,利用特征选择选取前20重要特征输入MLP模型进行流量分类,准确率超99%,并通过XAI提供全局与局部解释以增强模型可信度。
2023-06-27 cs.CR cs.LG
Network Security Modeling using NetFlow Data: Detecting Botnet attacks in IP Traffic
网络安全,即对IP流量中恶意事件的安全监控,是一个统计学家基本上未探索的重要领域。计算机科学家在这一领域做出了重大贡献,他们使用统计异常检测和其他监督学习方法来检测特定的恶意事件。在这项研究中,我们调查僵尸网络命令和控制(C&C)主机在大量的IP流量的检测。我们使用NetFlow数据(IP流量监控的行业标准)进行探索性分析和提取新特征。使用统计以及深度学习模型,我们开发了一个统计入侵检测系统(SIDS),以预测与恶意攻击识别的流量轨迹。采用解释性机器学习技术,僵尸网络流量签名。这些模型成功检测到僵尸网络C&C主机和受损设备。通过将预测与已发布恶意IP地址的现有黑名单进行匹配,验证了结果。
2021-08-19 cs.CR
On Designing Machine Learning Models for Malicious Network Traffic Classification
Northeastern University(东北大学)
机器学习(ML)开始在网络安全环境中广泛部署,以缩短网络攻击的检测周期。到目前为止,大多数基于ML的系统要么是专有的,要么对特征表示和机器学习模型进行特定选择。这些技术的成功很难评估,因为目前还没有公共基准数据集。在本文中,我们为在网络安全中使用监督ML提供了具体的指导方针和建议。作为一个案例研究,我们考虑从网络流量数据的僵尸网络检测的问题。在我们的研究结果中,我们强调:(1)特征表示应考虑攻击特征;(2)集成模型非常适合处理类不平衡;(3)地面实况的粒度在这些方法的成功中起着重要作用。
2019-07-10 cs.CR cs.LG stat.ML
ANT: A Multi-Granularity Network Traffic Dataset and Benchmark for Agents Behavior Auditing
Tsinghua University(清华大学);Zhongguancun Laboratory(中关村实验室);Renmin University of China(中国人民大学);Nanyang Technological University(南洋理工大学)
本文提出ANT数据集,包含多粒度标注的网络流量,用于审计LLM智能体行为,并建立基准评估现有方法,发现其在风险识别和场景区分上存在局限。
2026-10-06 cs.AI cs.LG
Hierarchical Local-Global Feature Learning for Few-shot Malicious Traffic Detection
Zhejiang University of Technology(浙江工业大学);Binjiang Institute of Artificial Intelligence, ZJUT(浙江工业大学滨江人工智能学院);College of Computer Science and Technology, Zhejiang University of Technology(浙江工业大学计算机科学与技术学院);Institute of Cyberspace Security(网络空间安全研究院)
本文提出HLoG框架,通过滑动窗口分割会话并结合层次化双向GRU编码局部特征与全局自注意力建模,实现高准确率、低误报的小样本恶意流量检测。
2025-04-01 cs.AI cs.CR cs.LG
Rogue Signs: Deceiving Traffic Sign Recognition with Malicious Ads and Logos
Princeton University(普林斯顿大学);Purdue University(普渡大学)
我们提出了一个新的现实世界的攻击对计算机视觉为基础的系统的自动驾驶汽车(AV)。我们的新的标志嵌入攻击利用对抗性示例的概念来修改环境中的无害标志和广告,使它们被归类为对手所需的交通标志,具有很高的置信度。我们的攻击大大扩大了对自动驾驶汽车构成威胁的范围,因为对手不再局限于像以前那样修改现有的交通标志。我们的攻击管道生成对抗样本,这些样本对物理世界中存在的环境条件和噪声图像变换具有鲁棒性。我们通过在用于生成对抗样本的优化问题中包含各种可能的图像变换来确保这一点。我们通过将对抗样本打印出来并进行模拟现实场景中图像捕获条件的驾车测试来验证对抗样本的鲁棒性。我们对不同距离、光照条件和摄像机角度的物理攻击样本进行了实验。此外,在虚拟环境中对各种图像变换进行了广泛的评估。使用我们的方法生成的对抗样本在物理和虚拟环境中的对抗成功率超过95%。
2018-03-26 cs.CR cs.LG
ETGuard: Malicious Encrypted Traffic Detection in Blockchain-based Power Grid Systems
State Grid Zhejiang Electric Power Company, LTD.(国网浙江省电力公司);Zhejiang University(浙江大学)
针对基于区块链的电力系统中恶意加密流量检测,提出ETGuard框架,实现自动检测与增量学习,并在三个基准数据集上达到最优性能。
2024-08-20 cs.AI cs.CR
Using Cyber Threat Intelligence to Prevent Malicious Known Traffic in a SDN Physical Testbed
由于应用程序和通信工具的使用有所增加,负责网络安全的人所关心的问题之一是保护信息和信息系统,以及使最终用户相信信息和通信技术的使用。如今,对网络的攻击已经增加并经历了修改,这使得传统安全设备的任务变得困难,有必要增加智能来面对网络中产生的新攻击。因此,需要将网络威胁情报(CTI)作为网络中的一个新组件。这项工作的重点是使用CTI提供的信息,以提高软件定义网络(SDN)的安全性,并在同一时间,分析如何恶意流量可以阻止在物理测试床。
2019-09-05 cs.CR
A Hard-Label Black-Box Evasion Attack against ML-based Malicious Traffic Detection Systems
Tsinghua University(清华大学);Beijing Institute of Technology(北京理工大学);Zhongguancun Lab(中关村实验室)
针对基于机器学习的恶意流量检测系统,提出利用强化学习与预训练模型Traffic-BERT的硬标签黑盒逃逸攻击NetMasquerade,在80种场景下对6种检测方法实现超96.65%成功率。
2025-10-16 cs.CR
Unsupervised Abnormal Traffic Detection through Topological Flow Analysis
University of Bucharest(布加勒斯特大学)
网络威胁是我们现代技术世界中的一个永久性问题。近年来,复杂的流量分析技术和异常检测(AD)算法被用来应对越来越多的颠覆性对抗攻击。恶意入侵,定义为意图非法利用私有资源的入侵行为,通过不寻常的数据流量和/或异常连接模式表现出来。尽管过多的统计或基于签名的检测器,目前在文献中提供的拓扑连接组件的恶意流是利用较少。此外,现有的统计入侵检测器中有很大一部分是基于监督学习的,它依赖于标记数据。通过将网络流视为一对节点之间的加权有向交互,本文提出了一种简单的方法,便于在无监督异常检测算法中使用连接图特征。我们在真实的网络流量数据集上测试了我们的方法,并观察到了标准AD的几个改进。
2022-05-14 cs.CR cs.LG
Large Language Models powered Malicious Traffic Detection: Architecture, Opportunities and Case Study
Peking University(北京大学);China Unicom(中国联合网络通信集团有限公司);Zhongguancun Lab(中关村实验室)
本文提出LLM驱动的恶意流量检测架构,识别分类器、编码器、预测器三种角色,并通过案例验证在DDoS检测中较现有系统提升近35%。
2025-06-23 cs.AI cs.CR cs.NI
Systematic review and characterisation of malicious industrial network traffic datasets
本文系统综述公开的工业网络流量捕获数据集,从攻击类型、元数据、统计与复杂性维度刻画特征,以帮助研究者按机器学习目标选择合适数据集。
2024-12-02 cs.CR
Using EBGAN for Anomaly Intrusion Detection
Shanghai University(上海大学);Xi’an Innovation College, Yan’an University(延安大学西安创新学院);United Automotive Electronic Systems Co.(联合汽车电子有限公司)
作为一种主动的网络安全防护方案,入侵检测系统(IDS)承担着检测以恶意网络流量为形式的网络攻击的重要职责。入侵检测技术是入侵检测系统的重要组成部分。目前,许多学者对入侵检测技术进行了广泛的研究。然而,针对海量网络流量数据,开发一种高效的入侵检测方法仍然是一个难点。由于生成对抗网络(GANs)对复杂的高维数据具有强大的建模能力,因此它们为解决这一问题提供了新的思路。本文提出了一种基于EBGAN的入侵检测方法IDS-EBGAN,该方法将网络记录分为正常流量和恶意流量。IDS-EBGAN中的生成器负责将训练集中的原始恶意网络流量转换为对抗性恶意示例。这是因为我们希望使用对抗学习来提高恶意流量检测的能力。同时,该编码器采用自动编码器模式。在测试过程中,IDS-EBGAN使用的重构误差的统计量来分类的交通记录。
2022-06-21 cs.AI cs.CR
Joint Detection of Malicious Domains and Infected Clients
University of Potsdam(波茨坦大学);Cisco R&D(思科研发部);Czech Technical University in Prague(布拉格捷克理工大学)
检测感染恶意软件的计算机和基于加密HTTPS流量检测恶意Web域是一个具有挑战性的问题,因为只有地址、时间戳和数据量是可观察的。检测问题是耦合的,因为受感染的客户端往往与恶意域交互。可以大规模收集流量数据,并且可以使用防病毒工具来识别受感染的客户端。相比之下,域必须在取证分析后单独标记。我们探索基于水闸网络的迁移学习;这允许检测模型相互引导。在一个大规模的实验研究中,我们发现,该模型优于已知的参考模型,并检测以前未知的恶意软件,以前未知的恶意软件家族,以前未知的恶意域。
2019-06-21 cs.CR cs.LG stat.ML
Toward Secure Edge Networks Taming Device to Device (D2D) Communication in IoT
物联网(IoT)的日益普及创造了对基于网络的流量异常检测系统的需求,该系统可以识别行为不端的设备。在这项工作中,我们提出了一种轻量级的技术,物联网保护,用于识别恶意流量。物联网卫士使用半监督学习来区分恶意和良性设备行为,使用设备生成的网络流量。为了实现这一目标,我们从网络日志中提取了39个特征,并丢弃了任何包含冗余信息的特征。在特征选择后,训练模糊C均值(FCM)算法得到区分良性流量和恶意流量的聚类。我们研究了这些聚类中的特征分数,并使用这些信息来预测新流量的类型。使用包含30多个设备的真实测试平台对IoT卫士进行了评估。结果表明,IoTguard在区分各种类型的恶意和良性流量方面具有很高的准确性(98%),并且误报率很低。此外,它具有低资源占用,可以在支持OpenWRT的接入点和COTS计算板上运行。
2018-10-16 cs.CR
IoT-AMLHP: Aligned Multimodal Learning of Header-Payload Representations for Resource-Efficient Malicious IoT Traffic Classification
针对物联网设备资源受限下恶意流量分类的挑战,提出IoT-AMLHP对齐多模态学习框架,通过报头-载荷表示与轻量级深度可分离卷积融合,实现资源高效的恶意流量分类。
2025-04-21 cs.CR cs.NI
GothX: a generator of customizable, legitimate and malicious IoT network traffic
提出GothX流量生成器,通过支持拓扑配置、参数定制、场景自动执行、网络异构及自动标注,生成合法与恶意IoT流量,验证了其可扩展性并贡献了两个混合流量数据集。
2024-07-24 cs.CR
Development of Multistage Machine Learning Classifier using Decision Trees and Boosting Algorithms over Darknet Network Traffic
Pillai College of Engineering(皮莱工程学院);University of Mumbai(孟买大学)
本研究提出一种结合决策树与AdaBoost、Gradient Boosting等多阶段机器学习分类器,并利用信息增益等特征选择方法,有效解决了Darknet流量数据集中的类别不平衡问题,实现了对暗网活动的准确检测与分类。
2024-07-22 cs.CR cs.LG
MORTON: Detection of Malicious Routines in Large-Scale DNS Traffic
在本文中,我们提出了莫顿,一种方法,确定受损设备在企业网的基础上存在的日常DNS设备之间的通信和不良主机名。由于其输入数据的紧凑表示和使用高效的信号处理和用于分类的神经网络,MORTON被设计为准确,鲁棒和可扩展。我们评估莫顿使用大型数据集的企业DNS日志,并将其与两个最近提出的信标检测方法,旨在检测恶意软件通信。结果表明,虽然MORTON在合成实验中的准确性与其他方法相当,但它在检测复杂的机器人通信技术(如多级通道)以及其鲁棒性和效率方面优于这些方法。在现实世界的评估中,其中包括以前未报告的威胁,MORTON和两种比较的方法被部署来监视两个全球企业的(未标记的)DNS流量长达一周的时间;该评估证明了MORTON在现实世界中的有效性,并展示了其在真阳性和假阳性率方面的优越性。
2021-01-21 cs.CR
Poisoning Online Learning Filters: DDoS Attacks and Countermeasures
机器学习的最新进展导致人们对采用基于在线学习的方法来解决长期存在的攻击缓解问题产生了浓厚的兴趣。特别是,即使在二十多年之后,DDoS攻击仍然是网络服务可用性的重大威胁。这些攻击已经得到了很好的研究,假设恶意流量来自一个单一的攻击配置文件。基于这个前提,恶意流量特征被假定为与合法流量有很大不同。因此,在线过滤方法被设计成自适应地学习网络流量分布,并根据它们的攻击可能性对请求进行排名。在攻击期间,过滤器会突然丢弃被评为恶意的请求。本文首次系统研究了数据投毒攻击对在线DDoS过滤的影响,介绍了一种数据投毒攻击方法,并针对这种攻击提出了切实可行的防护对策。我们调查了一个不利的情况下,攻击者是“狡猾的”,在攻击过程中切换配置文件,并产生不稳定的攻击流量是不断变化的。这种难以捉摸的攻击者通过操纵和改变流量分布来毒害训练数据并破坏过滤器,从而生成恶意请求。为此,我们提出了一个生成模型MimicShift,能够控制流量生成,同时保留原始流量的内在属性。综合实验表明,在线学习过滤器非常容易受到中毒攻击,有时表现得比随机过滤策略在这种攻击场景下。同时,我们提出的保护对策减少了攻击的影响。
2022-01-20 cs.CR
Secured Traffic Monitoring in VANET
车载自组织网络(VANEARTH)促进车辆与邻近车辆以及与路边单元(RSU)的无线通信。然而,网络中不准确信息的存在会导致流量畸变,并破坏任何流量监控系统的正常功能。因此,在恶意环境下,确定源自感兴趣区域(ROI)的广播消息的可信度至关重要。此外,涉及车辆的私人信息(如位置和速度)的隐私泄露可能导致严重后果,如未经授权的跟踪和伪装攻击。因此,我们提出了一种基于边缘云的隐私保护安全决策模型,该模型采用基于车辆数据(如GPS位置和速度)的启发式算法,在不同的交通场景(如拥堵)下从ROI中验证交通相关信息。所提出的模型的有效性已被验证使用VENTOS,SUMO和Omnet++模拟器,也通过使用模拟云环境。我们比较我们提出的模型,现有的基于对等的身份验证模型,多数投票模型,和基于声誉的系统在不同的攻击场景。我们表明,我们的模型是能够有效地过滤恶意车辆,并提供准确的交通信息的存在下,至少有一个非恶意车辆的ROI。
2020-07-27 cs.CR
MalMoE: Mixture-of-Experts Enhanced Encrypted Malicious Traffic Detection Under Graph Drift
Peking University(北京大学);Zhongguancun Laboratory(中关村实验室)
MalMoE通过混合专家模型和图辅助技术,实现加密恶意流量检测在图漂移下的高效准确识别。
2026-02-10 cs.AI cs.CR cs.NI
Unsupervised Detection and Clustering of Malicious TLS Flows
恶意软件滥用TLS来加密其恶意流量,阻止通过内容签名和深度数据包检测进行检查。恶意TLS流的网络检测是一个重要但具有挑战性的问题。先前的工作已经提出了使用TLS特征的监督机器学习检测器。然而,通过尝试表示所有恶意流量,监督二进制检测器产生的模型过于松散,从而引入错误。此外,它们不区分由不同恶意软件生成的流。另一方面,有监督的多类检测器产生更紧密的模型,可以通过恶意软件家族对流进行分类,但需要家族标签,这对于许多样本来说是不可用的。为了解决这些限制,这项工作提出了一种新的无监督方法来检测和聚类恶意TLS流。我们的方法需要从沙箱输入网络跟踪。它使用90个功能来捕获TLS客户端,TLS服务器,证书和加密有效载荷的属性,并使用集群来构建一个无监督的检测器,可以将恶意流分配给它所属的集群,或者确定它是良性的。我们使用来自商业沙箱的972K跟踪和来自研究网络的35M TLS流来评估我们的方法。我们的聚类显示出非常高的精确度和召回率,F1得分为0.993。我们将我们的无监督检测器与两种最先进的方法进行比较,结果表明它优于两者。我们的检测器的错误检测率是0.032%,超过四个月的流量测量。
2022-12-23 cs.CR
Malicious Overtones: hunting data theft in the frequency domain with one-class learning
描述了一种用于检测来自计算机网络的电子数据盗窃的方法,该方法能够识别在数天至数周内发生的远程渗透模式。正常的业务流数据,在一段时间内的主机的入口和出口字节的形式,用于训练一个类学习器的合奏。检测集成是模块化的,具有在不同流量特征上训练的单独分类器,这些特征被认为是恶意数据传输的特征。我们选择的功能,模型的出口到入口的字节平衡随着时间的推移,周期性,短时间尺度的不规则性,和密度的流量。在频域中对特征进行最有效的建模,这具有将可变持续时间流转换为固定大小的特征向量的额外好处,并且通过适当地对频率空间进行采样,可以测试长持续时间流。当对来自单个主机的数天或数周的流量进行训练时,我们的集合在一系列不同的系统类型上实现了较低的误报率(<2%)。生成具有各种不同定时和数据特征的模拟渗出样本,并用于测试不同类型系统的集合性能:当在客户端工作站的外部流量上进行训练时,该集合通常能够成功地检测出不同时具有大量进入、稀疏连接并且持续时间短-对于寻求传输大量数据的攻击者来说,这种组合并不是最佳的。远程渗透更难以从出口繁重的系统(如Web服务器)中检测到,正常流量表现出类似于各种渗透类型的时间特征。
2019-04-09 cs.CR
Outlier detection on network flow analysis
TMC Data Science(TMC数据科学)
重要的是能够检测和分类恶意网络流量流,如DDoS攻击和良性流量。通常,该任务通过使用监督分类算法来执行。在本文中,我们分析了使用离群检测算法的网络流量分类问题。
2018-08-06 cs.CR cs.LG
Detection of Deviations in Mobile Applications Network Behavior
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Telekom Innovation Laboratories(德国电信创新实验室)
在本文中,提出了一种新的系统,用于检测移动应用程序的网络行为有意义的偏差。所提出的系统的主要目标是保护移动终端用户和蜂窝基础设施公司免受恶意应用的影响。新系统能够:(1)识别恶意攻击或安装在移动终端上的伪装应用程序,以及(2)识别重新发布注入恶意代码的流行应用程序。仅基于应用程序的网络流量模式执行检测。对于每个应用程序,学习两种类型的模型。第一个模型是本地模型,表示使用应用程序的每个用户的个人流量模式,并在设备上学习。第二个模型是协作模型,它表示使用应用程序的众多用户的流量模式,并在系统服务器上学习。机器学习方法用于学习和检测目的。本文重点介绍用于本地(即,在移动终端上)学习和检测与正常应用行为的偏差。这些方法在Android设备上实现和评估。评估实验表明:(1)各种应用程序具有特定的网络流量模式,并且某些应用程序类别可以通过其网络模式进行区分,(2)可以准确检测与正常行为的不同程度的偏离,以及(3)本地学习是可行的,并且在移动设备上具有较低的性能开销。
2012-08-05 cs.CR cs.LG
On Generating and Labeling Network Traffic with Realistic, Self-Propagating Malware
检测或修复恶意网络活动的技术的研究和开发需要访问包含标记的恶意连接的多样化的、现实的、当代的数据集。在没有这些数据的情况下,所述技术不能被有意义地训练、测试和评估。包含伪造或合并的网络流量的合成产生的数据具有有限的价值,因为即使通过简单的机器学习(ML)算法也可以很容易地将其与真实流量区分开。真实的网络数据是更可取的,但普遍存在的是敏感的,缺乏真实的标签,限制了其在机器学习研究中的效用。本文提出了一种多方面的方法来生成嵌入在从大型生产网络收集的匿名网络流量中的标记恶意连接的数据集。真实世界的恶意软件被拆除并引入这些网络中的模拟安全节点,以生成真实的流量,同时保持足够的隔离以保护真实数据和基础设施。网络传感器数据,包括这种嵌入式恶意软件流量,在网络边缘收集并匿名化以供研究使用。在两个主要教育机构按照上述方法收集和制作了网络流量。其结果是一个高度现实的,长期的,多机构的数据集,嵌入式数据标签跨越1.5万亿连接和超过PB的传感器日志数据。该数据集的可用性通过其对我们的人工智能和机器学习(AI/ML)研究计划的实用性来证明。
2022-05-27 cs.CR
Network Attack Traffic Detection With Hybrid Quantum-Enhanced Convolution Neural Network
本研究提出混合量子卷积神经网络(QCNN)用于网络恶意流量检测,实验表明其在未见攻击检测上的性能、泛化能力和鲁棒性均优于经典机器学习方法。
2025-04-29 cs.CR
Detecting Abnormal Traffic in Large-Scale Networks
随着技术的快速进步,组织需要以低成本快速扩展其信息技术(IT)基础设施,即硬件,软件和服务。然而,网络服务和应用程序的动态增长产生了安全漏洞和新的风险,这些漏洞和风险可以被各种攻击所利用。例如,用户到根(U2R)和远程到本地(R2L)攻击类别可能会造成重大损害并使整个网络系统瘫痪。由于与正常流量的高度相似性,此类攻击不容易检测。网络异常检测系统被广泛用于恶意流量的分类和检测,但在不平衡数据集中发现和识别少数攻击存在许多挑战。在本文中,我们对现有的机器学习(ML)方法进行了详细而系统的分析,这些方法可以解决大多数这些攻击。此外,我们提出了一个基于深度学习(DL)的框架,使用长短期记忆(LSTM)自动编码器,可以准确地检测网络流量中的恶意流量。我们在一个公开的入侵检测系统(IDS)数据集进行实验。与其他基准测试方法相比,我们在攻击检测方面获得了显着的改进。因此,我们的方法在保护这些网络免受恶意流量侵害方面提供了很大的信心。
2020-08-13 cs.CR cs.NI
Detecting Malignant TLS Servers Using Machine Learning Techniques
TLS使用X.509证书进行服务器身份验证。X.509证书是一个复杂的文档,在创建/使用它时可能会发生各种无辜的错误。此外,许多证书属于恶意网站,应该被客户端拒绝,并且不应该访问这些Web服务器。通常情况下,当客户端发现一个证书是可疑的使用传统的测试,它要求人为干预。但是,看看证书,大多数人不能区分恶意和非恶意网站。因此,一旦传统的证书验证失败,而不是要求人工干预,我们使用机器学习技术,使Web浏览器能够决定证书所属的服务器是否是恶性的,即是否应该访问该网站。一旦证书在上述阶段被接受,我们观察到该网站仍然可能是恶意的。因此,在第二阶段,我们将网站的一部分下载到沙箱中,而不对其进行解密,并观察TLS加密流量(沙箱中捕获的加密恶意数据不会损害系统)。由于在握手完成后对流量进行加密,因此无法使用传统的模式匹配技术。因此,我们使用流量的流特征以及上述第一阶段中使用的特征。我们将这些特征与TLS握手期间获得的未加密TLS报头信息相结合,并在机器学习分类器中使用这些特征来识别流量是否是恶意的。
2017-05-25 cs.CR cs.NI
Spoiled Onions: Exposing Malicious Tor Exit Relays
数百个Tor出口中继一起推送超过1 GiB/s的网络流量。然而,出口中继很容易窥探和篡改匿名的网络流量,并且由于所有中继都由独立的志愿者运行,因此并非所有中继都是无害的。在本文中,我们试图揭露恶意出口继电器和文件的行动。首先,我们在开发了一个快速和模块化的出口中继扫描器后监控了Tor网络。我们实现了几个扫描模块来检测常见的攻击,并使用它们在四个月的时间内探测所有出口中继。我们发现了许多恶意退出中继参与不同的攻击。为了减少用户暴露的攻击面,我们进一步讨论了浏览器扩展补丁的设计和实现,该补丁通过独立的Tor电路获取和比较可疑的X.509证书。我们的工作使得持续监控Tor出口继电器成为可能。我们能够检测和阻止许多中间人攻击,使网络对其用户更安全。我们所有的代码都是在免费许可证下提供的。
2014-01-20 cs.CR
Decrypting live SSH traffic in virtual environments
解密和检查加密的恶意通信可以帮助犯罪检测和预防。对客户端或服务器存储器的访问使得能够发现解密安全通信所需的伪像。本文开发了MemDecrypt框架来研究内存中加密文物的发现,并将该方法应用于解密虚拟机的安全通信。对于Secure Shell,用于安全的远程服务器管理,文件传输和隧道传输等,MemDecrypt实验快速产生实时安全文件传输的AES加密细节,包括远程用户凭据,传输的文件名和文件内容。因此,MemDecrypt可以发现加密文物并快速解密实时SSH恶意通信,包括检测和拦截机密数据的数据泄露。
2019-07-25 cs.CR
Are Existing Out-Of-Distribution Techniques Suitable for Network Intrusion Detection?
University of Modena and Reggio Emilia(摩德纳-雷焦艾米利亚大学);Rochester Institute of Technology(罗切斯特理工学院)
该研究探究了其他领域的6种现有OOD检测技术在网络入侵检测中识别未知恶意流量的效果,验证了优化嵌入空间的增益,且特定检测器组合在测试场景中可识别近100%的恶意流量。
2023-08-28 cs.AI cs.CR cs.LG
A Robust Eco-Routing Protocol Against Malicious Data in Vehicular Networks
车载网络具有从安全到交通管理和舒适度的各种应用。车辆通信(VC)可以帮助车辆的生态路线,以减少总里程和二氧化碳排放量的车辆实体之间的数据交换。然而,这些数据的可信度至关重要,因为虚假信息会严重影响应用程序的性能。因此,设计确保所交换数据完整性的机制至关重要。在这篇文章中,我们研究如何调整来自恶意节点的信息可以影响性能的实时的生态路由机制,使用DSRC通信,即ErouVe。我们还开发和评估利用车辆通信的防御机制,以过滤出调整的数据。我们证明,我们提出的机制可以恢复ErouVe的性能接近其最佳操作,并可以作为保护其他类似的交通管理系统的基础。
2015-06-25 cs.CR
Examining the Rat in the Tunnel: Interpretable Multi-Label Classification of Tor-based Malware
University of New South Wales(新南威尔士大学);Cyber Security Cooperative Research Centre (CSCRC)(网络安全合作研究中心);Qatar Computing Research Institute(卡塔尔计算研究所)
本文提出基于消息传递神经网络的多标签分类方法,有效识别Tor恶意流量,性能显著提升,并利用可解释AI解释决策,评估对抗鲁棒性。
2024-09-25 cs.CR cs.LG
Malicious Network Traffic Detection via Deep Learning: An Information Theoretic View
The Johns Hopkins University(约翰斯·霍普金斯大学)
深度学习从学术界和工业界获得的关注逐年增长,有人说我们正处于人工智能研究的新黄金时代。然而,神经网络仍然经常被视为一个“黑匣子”,在那里学习发生,但不能以人类可解释的方式理解。由于这些机器学习系统越来越多地被用于安全环境,因此探索这些解释非常重要。我们考虑一个Android恶意软件流量数据集来解决这个问题。然后,使用信息平面,我们探索同胚如何影响学习表示的数据和不变性的互信息捕获的参数对该数据。我们凭经验验证这些结果,使用准确性作为第二个措施的相似性学习表示。我们的研究结果表明,虽然学习表示的细节和定义在所有参数的流形上的特定坐标系略有不同,但函数近似是相同的。此外,我们的研究结果表明,由于互信息在同胚下保持不变,只有改变数据集熵的特征工程方法才会改变神经网络的结果。这意味着对于某些数据集和任务,神经网络需要有意义的、人为驱动的特征工程或架构变化,以提供足够的信息,使神经网络生成足够的统计数据。应用我们的研究结果可以指导机器学习工程师的分析方法,并表明可以利用卷积定理的神经网络与标准卷积神经网络一样准确,并且可以更有效地计算。
2020-09-16 cs.CR cs.IT cs.LG
TwinGate: Stateful Defense against Decompositional Jailbreaks in Untraceable Traffic via Asymmetric Contrastive Learning
Johns Hopkins University(约翰霍普金斯大学);Microsoft Research Asia(微软亚洲研究院);Peking University(北京大学);University of California, Merced(加州大学默塞德分校)
针对LLM中分解性劫持威胁,TwinGate通过非对称对比学习在共享潜在空间中聚类语义不同但意图匹配的恶意片段,同时利用冻结编码器抑制良性主题重叠导致的误报,实现高效防御。
2026-04-30 cs.CL cs.CR cs.LG
IDSGAN: Generative Adversarial Networks for Attack Generation against Intrusion Detection
Shanghai Jiao Tong University(上海交通大学);Indiana University Bloomington(印第安纳大学伯明顿分校)
入侵检测系统作为网络安全中必不可少的工具,承担着防御恶意网络攻击的重任。近年来,在机器学习算法的帮助下,入侵检测系统发展迅速。然而,当它面对对抗攻击时,该系统的鲁棒性是值得怀疑的。为了提高检测系统的鲁棒性,更多潜在的攻击方法正在研究之中。本文提出了一种生成对抗网络(IDSGAN)框架,用于生成对抗性恶意流量记录,通过欺骗和逃避检测来攻击入侵检测系统。假设检测系统的内部结构和参数对攻击者来说是未知的,对抗攻击示例对检测系统执行黑盒攻击。IDSGAN利用生成器将原始恶意流量记录转换为对抗性恶意流量记录。一个分类器对流量示例进行分类,并动态学习实时黑盒检测系统。更重要的是,限制修改机制是为对抗生成设计的,以保留对抗流量记录的原始攻击功能。通过对不同攻击类别的多个基于算法的检测模型进行攻击,验证了该模型的有效性。鲁棒性通过改变修改特征的数目来验证。与对抗攻击基线的对比实验表明了该模型的优越性。
2022-05-08 cs.AI cs.CR
Machine Learning based Anomaly Detection for 5G Networks
Macquarie University(麦考瑞大学)
保护未来的网络将是一个具有挑战性的领域,因为物联网(IoT)造成的网络安全威胁和攻击面不断扩大,网络异构性增加,虚拟化技术和分布式架构的使用增加。本文提出了SDS(软件定义安全)作为一种手段,提供一个自动化,灵活和可扩展的网络防御系统。SDS将利用当前机器学习的进步,设计一个使用NAS(神经架构搜索)的CNN(卷积神经网络)来检测异常网络流量。SDS可以应用于入侵检测系统,为5G网络创建更主动和端到端的防御。为了测试这一假设,从一个模拟的环境中正常和异常的网络流量已经收集和分析与CNN。该方法的结果是有希望的,因为该模型已经识别出良性流量的准确率为100%,异常流量的检测率为96.4%。这证明了网络流量分析对各种常见恶意攻击的有效性,也为检测加密的恶意网络流量提供了一种可行的选择。
2020-03-07 cs.CR cs.LG stat.ML
Rogue Cell: Adversarial Attack and Defense in Untrusted O-RAN Setup Exploiting the Traffic Steering xApp
Ben Gurion University of the Negev(本· Gurion 内盖夫大学)
本文首次研究多运营商 O-RAN 中不可信第三方带来的安全风险,提出 APATE 对抗攻击并设计基于 LSTM 自编码器的 MARRS 检测框架,实验显示攻击可多获 248.5% UE 分配,检测准确率达 99.2%。
2025-05-03 cs.CR cs.LG