首页/论文/2012.08356

arXiv 2012.083562020-12-14cs.CRcs.NI

滑动重标度范围的区分：加密和VPN流量检测的新方法

Differentiation of Sliding Rescaled Ranges: New Approach to Encrypted and VPN Traffic Detection

Raoul Nigmatullin, Alexander Ivchenko, Semyon Dorokhin

备注：: 5 pages, 4 figures, 2 tables

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文提出了一种新的流量预处理方法--滑动重标度范围区分法（DSRR），扩展了H.E.赫斯特我们将所提出的方法应用于著名的ISCXVPN 2016数据集上的加密和未加密流量。我们为基于流的功能部署DSRR，然后使用基本的机器学习模型解决VPN与nonVPN的任务。使用DSRR和随机森林，我们获得了0.971的精度，0.969的召回率，并使用特征的统计分析将这个结果提高到0.976，与神经网络方法相比，通过2D-CNN获得了0.93的精度。所提出的方法和结果可以在https://github.com/AleksandrIvchenko/dsrr_vpn_nonvpn上找到。

英文摘要：

We propose a new approach to traffic preprocessing called Differentiation of Sliding Rescaled Ranges (DSRR) expanding the ideas laid down by H.E. Hurst. We apply proposed approach on the characterizing encrypted and unencrypted traffic on the well-known ISCXVPN2016 dataset. We deploy DSRR for flow-base features and then solve the task VPN vs nonVPN with basic machine learning models. With DSRR and Random Forest, we obtain 0.971 Precision, 0.969 Recall and improve this result to 0.976 using statistical analysis of features in comparison with Neural Network approach that gives 0.93 Precision via 2D-CNN. The proposed method and the results can be found at https://github.com/AleksandrIvchenko/dsrr_vpn_nonvpn.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

Deep Packet：一种使用深度学习的加密流量分类新方法

Deep Packet: A Novel Approach For Encrypted Traffic Classification Using Deep Learning

Sharif University of Technology（谢里夫理工大学）

随着当前互联网网络和在线应用的快速增长，互联网流量分类变得更加重要。关于这一主题已经有许多研究，导致了许多不同的方法。这些方法中的大多数使用由专家提取的预定义特征来对网络流量进行分类。相比之下，在这项研究中，我们提出了一个\emph{deep learning}为基础的方法，集成了特征提取和分类阶段到一个系统。我们提出的方案，称为“深度分组”，可以处理\emph{traffic characterization}，其中网络流量被分类为主要类别（\eg，FTP和P2P）和应用程序识别，其中最终用户应用程序（\eg，BitTorrent和Skype）的识别是期望的。与目前大多数方法相反，深度数据包可以识别加密流量，并区分VPN和非VPN网络流量。在对数据进行初始预处理阶段之后，数据包被送入深度数据包框架，该框架嵌入了堆栈式自动编码器和卷积神经网络，以便对网络流量进行分类。以CNN为分类模型的深度包实现了应用识别任务中的$0.98$和流量分类任务中的$0.94$的召回。据我们所知，Deep Packet在UNB ISCX VPN-nonVPN数据集上的表现优于所有提出的分类方法。

2018-07-04cs.CRcs.LGcs.NI

商业VPN中的客户端漏洞

Client-side Vulnerabilities in Commercial VPNs

互联网用户越来越依赖商业虚拟专用网络（VPN）服务来保护他们的安全和隐私。VPN服务通过加密隧道将客户端的流量路由到云中的VPN网关。因此，它们隐藏了客户端的真实IP地址，使其无法访问在线服务，并且还保护用户的连接免受接入网络中的感知威胁。在本文中，我们研究这种商业VPN服务的安全性。重点是客户端应用程序如何设置VPN隧道，以及服务提供商如何指示用户配置通用客户端软件。我们分析了常见的VPN协议和在Windows，macOS和Ubuntu上的实现。我们发现VPN客户端有各种配置缺陷，攻击者可以利用这些缺陷来剥离流量加密或绕过VPN网关的身份验证。在某些情况下，攻击者还可以窃取VPN用户的用户名和密码。我们提出了缓解每个发现的漏洞的方法。

2019-12-10cs.CR

全包加密在规避型虚拟专用网络中缓解协议检测的有效性

Efficacy of Full-Packet Encryption in Mitigating Protocol Detection for Evasive Virtual Private Networks

California State University, Fullerton（加州州立大学富勒顿分校）

针对完全加密的规避型VPN协议ACC，本文测试多种机器学习分类器，发现其在常规流量中仍可被低附带损害地识别。

2024-12-23cs.CRcs.LGcs.NI

ICS-Sniper：针对加密工业控制系统（ICS）流量的定向黑洞攻击

ICS-Sniper: A Targeted Blackhole Attack on Encrypted ICS Traffic

University of British Columbia（不列颠哥伦比亚大学）；Cornell University（康奈尔大学）

研究人员提出ICS-Sniper定向黑洞攻击，通过分析加密ICS流量的VPN元数据识别关键超周期，丢弃少量数据包破坏操作，可规避检测器并在SWaT测试台实现安全威胁。

2026-11-03cs.CR

用于加密流量分类的鲁棒机器学习

Robust Machine Learning for Encrypted Traffic Classification

桌面和笔记本电脑可能被恶意利用来侵犯隐私。在本文中，我们考虑了针对特定用户的被动攻击者与可能是敌对对手的用户之间的日常战斗。在这种情况下，攻击者试图通过暗中监视受害者加密的网络流量来选择最佳矢量攻击，以识别用户参数，如操作系统（OS），浏览器和应用程序。用户可以使用诸如虚拟专用网络（VPN）之类的工具或者甚至改变协议参数来保护他/她的隐私。我们为此任务提供了一个包含20，000多个示例的大型数据集。我们运行了一套全面的实验，实现了高（85以上）的分类准确率，鲁棒性和弹性的变化功能作为一个功能的不同的网络条件在测试时。我们还显示了一个小的训练集的准确性的影响。

2020-07-20cs.CR

GETA: 通用加密流量分析

GETA: Generalized Encrypted Traffic Analysis

University of New South Wales (UNSW)（新南威尔士大学）

提出GETA框架，通过元学习、嵌入优化和自注意力机制，仅利用流量元数据建模多变量时间序列，实现跨协议、少样本的加密流量分析，在应用识别、VPN分类、IoT设备指纹和攻击检测等任务上优于现有方法。

2026-05-29cs.CRcs.LG

更多相关论文收起更多论文

ET-BERT：一种用于加密流量分类的带有预训练Transformers的上下文数据报表示

ET-BERT: A Contextualized Datagram Representation with Pre-training Transformers for Encrypted Traffic Classification

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 the Chinese Academy of Sciences（中国科学院大学网络空间安全学院）

加密流量分类需要从内容不可见和不平衡的流量数据中捕获有区别的和鲁棒的流量表示以进行准确的分类，这是具有挑战性的，但对于实现网络安全和网络管理是必不可少的。现有解决方案的主要局限性在于它们高度依赖于深度特征，而深度特征过度依赖于数据大小，并且难以对看不见的数据进行概括。如何利用开放域的未标记交通数据来学习具有较强泛化能力的表示仍然是一个关键挑战。在本文中，我们提出了一个新的流量表示模型，称为加密流量双向编码器表示从Transformer（ET-BERT），预训练深度上下文数据报级表示从大规模的未标记的数据。预训练的模型可以在少量特定于任务的标记数据上进行微调，并在五个加密流量分类任务中实现最先进的性能，将ISCX-Tor的F1显著推高至99.2%（绝对改善4.4%），ISCX-VPN-服务提高到98.9%（绝对提高5.2%），跨平台（Android）提高到92.5%（绝对提高5.4%），CSTNET-TLS 1.3提高到97.4%（绝对提高10.0%）。值得注意的是，我们通过分析密码的随机性来解释经验强大的预训练模型。它为我们理解加密流量的分类能力边界提供了见解。该代码可从以下网址获得：https://github.com/linwhitehat/ET-BERT。

2022-02-19cs.AIcs.CRcs.NI

PDKEEPAAA：绿色通信网络中SDN边缘网关加密流量分类的半监督生成对抗网络

ByteSGAN: A Semi-supervised Generative Adversarial Network for Encrypted Traffic Classification of SDN Edge Gateway in Green Communication Network

随着绿色通信网络的快速发展，网络流量数据的种类和数量也相应增加。网络流量分类是网络管理和安全领域的一项重要研究任务，它不仅有助于提高网络资源的细粒度分配，而且可以实现策略驱动的网络管理。同时，SDN和边缘计算的结合可以利用SDN的网络范围的全局可扩展性和边缘计算的低延迟和良好的隐私保护。然而，捕获大型标记数据集是一项繁琐且耗时的手工劳动。半监督学习是克服这个问题的合适技术。考虑到这一点，我们提出了一种基于生成对抗网络（GAN）的半监督学习加密流量分类方法，称为\emph{ByteSGAN}，嵌入SDN边缘网关，以实现细粒度的流量分类目标，以进一步提高网络资源利用率。ByteSGAN通过半监督学习的方式修改常规GAN神经网络的结构和损失函数，仅使用少量的已标记流量样本和大量的未标记流量样本就能实现良好的流量分类性能。基于公共数据集"ISCX 2012 VPN-nonVPN"的两个实验结果表明，ByteSGAN可以有效地提高流量分类器的性能，并且优于CNN等其他监督学习方法。

2021-03-09cs.CR

Maybenot：一个流量分析防御框架

Maybenot: A Framework for Traffic Analysis Defenses

提出Maybenot框架，通过概率状态机调度填充注入和流量阻断，为端到端加密协议提供易集成的流量分析防御，并支持多协议与用例。

2024-09-27cs.CR

基于不确定性量化的可扩展机器学习加密网络流量应用标注方法

Extensible Machine Learning for Encrypted Network Traffic Application Labeling via Uncertainty Quantification

MIT Lincoln Laboratory（麻省理工学院林肯实验室）

针对加密网络流量ML模型易失效、缺乏不确定性量化的问题，本研究构建了含10个应用VPN加密流量的公开数据集，提出基于相对马氏距离p值校准OOD分数的可扩展ML框架，F1达0.98，可有效识别新流量并适配企业网络。

2023-10-06cs.CRcs.LG