BGA: A noise-immune neural distillation framework for malicious signature extraction in high-entropy encrypted flows
School of Cyber Science and Technology, Beihang University(北京航空航天大学网络空间科学与技术学院);Beijing Electronic Science and Technology Institute(北京电子科技学院);School of Information and Communication Engineering, Beijing University of Posts and Telecommunications(北京邮电大学信息与通信工程学院)
针对高熵加密流恶意签名提取的注意力稀释与类别不平衡问题,本文提出抗噪神经蒸馏框架BGA,结合ANOVA、WGAN-GP、BiLSTM与自适应门控多头注意力,在基准测试中性能优异且延迟低,具备工业边缘实时应用潜力。
2026-08-17 cs.AI 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
Optimal Security Parameter for Encrypted Control Systems Against Eavesdropper and Malicious Server
在以前的研究中,已经引入了样本识别复杂度和样本解密时间,以捕获对手的系统辨识的估计误差和计算时间。这些量在定义加密控制系统的安全性和设计安全参数方面起着至关重要的作用。本研究提出一个最佳的安全参数下的加密控制系统的网络窃听者和恶意控制器服务器谁试图识别系统参数,使用最小二乘法。安全参数设计是基于对传统同态加密的改进来实现的,以提高样本解密时间和新的样本识别复杂度,其特征在于可控性Gramians和识别输入与系统噪声的方差比。通过数值仿真证明了所提出的安全参数设计方法的有效性。
2023-03-23 cs.CR cs.SY eess.SY
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
SkillTrojan: Backdoor Attacks on Skill-Based Agent Systems
Alibaba Group(阿里巴巴集团);National University of Defense Technology(国防科技大学);Fudan University(复旦大学);Wuhan University(武汉大学)
提出SkillTrojan,一种针对技能实现而非模型参数的后门攻击方法,通过将恶意逻辑嵌入看似正常的技能中,利用技能组合重构并执行攻击者指定的负载,在保持良性行为的同时实现高攻击成功率。
2026-05-28 cs.AI cs.CR
Security Analysis of Encrypted Virtual Machines
云计算已成为当今计算机领域不可或缺的一部分。它为客户和供应商提供的灵活性已经成为计算机行业大部分地区的关键因素。虚拟化是允许在不同客户之间共享硬件资源的关键技术。控制软件组件(称为管理程序)提供计算机资源的虚拟化视图,并确保不同客户虚拟机的分离。但是,云计算的这一重要基石并不一定值得信赖。为了缓解这一威胁,AMD推出了安全加密虚拟化,简称SEV。SEV是一种处理器扩展,它对客户机内存进行加密,以防止潜在的恶意虚拟机管理程序访问客户机数据。在本文中,我们分析了所提出的功能是否可以抵御恶意的虚拟机管理程序,并讨论了额外的保护机制所带来的权衡。为此,我们根据现有文档开发了SEV安全功能的模型,因为实际的硅实现尚未上市。我们发现,目前提出的版本的SEV是不符合任务,由于三个设计缺陷。首先,与标准AMD-V一样,在SEV下,虚拟机控制块不加密,并直接由管理程序处理,允许他通过执行方便选择的小工具绕过VM内存加密。其次,通用寄存器在vmexit时没有加密,从而泄露了潜在的敏感数据。最后,对嵌套分页表的控制允许恶意虚拟机管理程序密切控制VM的执行,并使用内存重放攻击对其进行攻击。
2017-07-26 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
HE-Guardrail: A Homomorphic Guardrail Against Jailbreak Attacks for Encrypted Large Language Model Inference
Pohang University of Science and Technology (POSTECH)(浦项科技大学);Inha University(仁荷大学);Daegu Gyeongbuk Institute of Science and Technology (DGIST)(大邱庆北科学技术院)
针对HE-LLM推理中恶意客户端越狱攻击难以检测的问题,提出HE-Guardrail框架,在加密数据上同态运行防护栏并控制响应返回,实验复现明文防护栏决策,实现安全-效率-效用权衡。
2026-09-21 cs.AI cs.CR
User Attitudes Toward the Inspection of Encrypted Traffic
本文报告了对1,976人进行的关于TLS检查的意见的调查结果,TLS检查是一种有争议的技术,可以用于善意和恶意目的。回应表明,参与者对安全和隐私的权衡持有微妙的意见,大多数人承认这种做法的合法用途,但也担心来自黑客或政府监视的威胁。当系统拦截其加密流量时,强烈支持通知和同意,尽管这种支持因情况而异。恶意使用TLS检查的一个重要问题是身份盗窃,许多人会做出负面反应,如果他们发现检查在他们不知情的情况下发生,有些人会改变他们的行为。我们还发现,有一小部分但相当数量的参与者对当前的事态感到厌倦,对隐私没有任何期望。
2016-06-10 cs.CR cs.CY cs.HC
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
Encrypted Skills Can Become New Security Exploits If AI Agents Know How to Decipher
IBM Research(IBM研究院);National Yang Ming Chiao Tung University(国立阳明交通大学)
该研究提出Ciphered Skill Injection(CSI)攻击方法,在8种模型和139个任务对上验证其攻击成功率最高达47.5%,揭示了加密技能可能成为AI智能体安全漏洞的风险。
2026-10-14 cs.AI cs.CL cs.CR
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。
2020-07-20 cs.CR
DeepTLS: comprehensive and high-performance feature extraction for encrypted traffic
特征提取是使用机器学习技术进行TLS流量分析的关键,也是非常困难和耗时的,需要巨大的工程努力。我们设计并实现了DeepTLS,这是一个从Meta,统计,SPLT,字节分布,TLS头和证书的pcap中提取全方位特征的系统。后端是用C++编写的,以实现高性能,可以在几分钟内分析GB大小的pcap。DeepTLS针对两个最先进的工具Joy和Zeek进行了全面评估,其中包括四个由160个pcap组成的知名恶意流量数据集。评估结果表明,DeepTLS具有分析大pcap的优势,分析时间减半,并识别出更多的证书,与Joy相比,性能损失可接受。DeepTLS可以通过将特征提取时间从几小时甚至几天减少到几分钟来显著加速机器学习管道。该系统在https://deeptls.com上在线,在那里可以查看和验证测试工件。此外,还发布了两个开源工具Pysharkfeat和Tlsfeatmark。
2022-08-08 cs.CR
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
SEVerity: Code Injection Attacks against Encrypted Virtual Machines
现代企业越来越多地利用云基础设施。然而,将代码和数据外包到云端需要企业相信云提供商不会干涉他们的数据。为了降低对云提供商的信任程度,AMD推出了安全加密虚拟化(SEV)。通过加密虚拟机(VM),SEV旨在确保数据的机密性,尽管有一个妥协或好奇的虚拟机管理程序。SEV加密状态(SEV-ES)扩展还可以保护VM的寄存器状态免受未经授权的访问。然而,这两个扩展都不提供VM的存储器的完整性,其已经被滥用以泄漏受保护的数据或改变VM的控制流。在本文中,我们介绍了SEVerity攻击;针对AMD SEV家族的一系列攻击中缺失的一块拼图。具体来说,我们滥用系统缺乏内存完整性保护的缺陷,在受SEV-ES保护的VM中注入和执行任意代码。与以前针对AMD SEV系列的代码执行攻击相反,SEVerity既不依赖于特定的CPU版本,也不依赖于VM内的任何代码小工具。相反,SEVerity滥用了SEV-ES禁止直接访问加密内存的事实。具体而言,SEVerity通过I/O通道将任意代码注入加密的VM,并使用Hypervisor来定位和触发加密有效负载的执行。这使我们能够避开SEV-ES的保护机制。总的来说,我们的结果表明成功率为100%,因此强调了在加密VM时,内存完整性保护是一项义务。因此,我们的工作提出了针对AMD SEV和SEV-ES的一系列攻击中的最后一击,并使本实现无法保护免受好奇,脆弱或恶意的虚拟…
2021-05-28 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
Comparative Evaluation of VAE, GAN, and SMOTE for Tor Detection in Encrypted Network Traffic
Vellore Institute of Technology(维洛尔理工大学)
本文对比了 VAE、GAN 和 SMOTE 在加密网络流量检测中的性能,发现 VAE 在隐私与性能之间取得最佳平衡,GAN 保真度高但易过拟合,SMOTE 提高召回率但多样性不足。
2026-01-03 cs.CR
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
Wavelet decomposition of software entropy reveals symptoms of malicious code
复杂的恶意软件作者可以将隐藏的恶意代码潜入可移植的可执行文件中,并且这些代码很难被检测到,特别是如果加密或压缩。然而,当可执行文件在代码体系(例如,原生、加密、压缩、文本和填充)之间切换时,在文件的表示中存在作为熵信号的对应移位。在本文中,我们开发了一种方法,用于自动量化文件熵信号中的模式化变化使其“可疑”的程度。“在实验1中,我们使用小波变换来定义可疑结构熵变化分数(SSECS),这是一种标量特征,它根据文件在多个空间分辨率水平上的熵能分布来量化文件的可疑性。基于这一单一特征,可以将恶意软件检测任务的预测准确率从50.0%提高到68.7%,即使该单一特征被应用于“在野外”发现的恶意软件的异构语料库。在实验2中,我们描述了如何将基于小波的软件熵分解应用于涉及大量样本和特征的寄生恶意软件检测任务。通过从软件样本中提取字符串和熵特征(小波分解),我们能够获得几乎99%的寄生恶意软件检测,而好文件的误报率低于1%。此外,基于小波的特征的添加均匀地提高了跨合理假阳性率的检测性能,无论是在仅字符串模型(例如,从80.90%到82.97%)和弦加熵模型(例如从92.10%到94.74%,以及从98.63%到98.90%)。总的来说,软件熵的小波分解可以用于机器学习模型,用于基于从可执行文件中提取数百万个特征来检测恶意软件。
2018-02-02 cs.CR stat.AP
When a RF Beats a CNN and GRU, Together -- A Comparison of Deep Learning and Classical Machine Learning Approaches for Encrypted Malware Traffic Classification
Ariel University(阿里埃勒大学)
因特网流量分类被广泛用于促进网络管理。它在服务质量(QoS)、体验质量(QoE)、网络可见性、入侵检测和流量趋势分析方面发挥着至关重要的作用。虽然没有理论保证基于深度学习(DL)的解决方案比基于经典机器学习(ML)的解决方案性能更好,但基于DL的模型已成为常见的默认值。本文比较了著名的DL为基础的和ML为基础的模型,并表明,在恶意流量分类的情况下,最先进的DL为基础的解决方案不一定优于经典的ML为基础的。我们使用两个众所周知的数据集来验证这一发现,这些数据集用于不同的任务,例如:恶意软件检测,恶意软件家族分类,零日攻击检测以及迭代增长数据集的分类。请注意,评估所有可能的模型以做出具体声明是不可行的,因此,上述发现不是避免基于DL的模型的建议,而是经验证明,在某些情况下,存在更简单的解决方案,可能会表现得更好。
2022-06-16 cs.CR cs.LG
A Survey of Privacy-Preserving Techniques for Encrypted Traffic Inspection over Network Middleboxes
计算机网络系统中的中间盒检查和分析网络流量以检测恶意通信、监视系统性能并提供操作服务。然而,加密流量阻碍了中间盒执行此类服务的能力。解决这个问题的常见做法是采用“中间人”(MitM)方法,其中两个端点之间的加密业务流被中间盒中断、解密和分析。MitM方法很简单,被许多组织使用,但存在实际和隐私问题。由于MitM设备的成本和在解密过程中产生的延迟,企业继续寻求成本更低的解决方案。与会者讨论了配置MitM所需的许多工作。此外,MitM违反了端到端的隐私保证,引发了隐私问题和合规问题,特别是随着用户隐私意识的提高。此外,一些MitM的实现被发现有缺陷。因此,新的实用和隐私保护技术的加密流量的检查提出。我们研究它们,比较它们的优势,局限性和挑战。我们通过定义一个由系统架构、用例、信任和威胁模型组成的框架,将它们分为四个主要类别。它们是可搜索加密、访问控制、机器学习和可信硬件。我们首先讨论了中间人的方法作为一个基线,然后详细讨论了每一个,并提供了一个深入的比较,他们的优点和局限性。通过这样做,我们描述了实际的限制,优点和陷阱对采用的技术。我们还对研究工作和工业部署之间的差距提出了见解,这导致我们对挑战和研究方向进行了讨论。
2021-01-12 cs.CR cs.NI
PRI: Privacy Preserving Inspection of Encrypted Network Traffic
流量检测是当今许多安全解决方案的基本组成部分。例如,为了防止机密内部信息的泄漏或泄露,以及阻止恶意流量进入网络,当今大多数企业都运行检查流量的入侵检测和防御系统。然而,国家的最先进的检查系统并没有很好地反映不同的参与自主角色的利益。例如,企业中的员工或将其网络管理外包给专业第三方的公司可能要求其流量保持机密,甚至对系统管理员也是如此。此外,入侵检测系统使用的规则,或者更一般地,在线或离线异常检测引擎的配置,可以由第三方提供,例如,一家安全研究公司,因此可能构成一项重要的商业资产,应予以保密。今天,人们往往认为,不可能对这些额外所需资源进行核算,因为它们与效率和效力相矛盾。我们在本文中探索了一种新的方法,称为隐私保护检查(PRI),它提供了一个解决这个问题的方法,通过保护流量检查的隐私和检查规则和配置的机密性,例如,还支持灵活安装特定于公司的其他数据泄漏防护(DLP)规则。
2016-04-15 cs.CR cs.NI
Fault Attacks on Encrypted General Purpose Compute Platforms
对目标平台具有物理访问权限的攻击者可以执行冷启动或DMA攻击,从RAM中提取敏感数据。作为回应,已经提出了几种主存储器加密方案来防止这种攻击。硬件供应商也承认了这一威胁,并已经宣布了各自的硬件扩展。英特尔的SGX和AMD的SME将提供加密RAM部分的方法,以保护驻留在那里的安全相关资产。加密RAM将保护用户的内容免受被动窃听。然而,在涉及不仅能够从RAM读取而且还可以更改RAM中内容的对手的情况下,它提供的保护级别不太清楚。显然,加密提供了一些针对这种“主动”攻击者的保护:从密文中,攻击者无法看到明文中的值发生了变化,也无法根据这些变化预测系统行为。但是,这是否足以阻止活跃的对手执行恶意任务?本文讨论了开放的研究问题,单独加密是否是一个可靠的保护机制,在实践中考虑一个积极的对手。为此,我们首先在桌面系统上构建一个基于软件的内存加密解决方案,该解决方案模仿AMD的SME。随后,我们演示了一个概念验证的故障攻击,通过它我们能够提取的GnuPG用户的RSA私钥。我们的工作表明,透明内存加密不足以防止主动攻击。
2016-12-12 cs.CR
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
QUIC-Exfil: Exploiting QUIC's Server Preferred Address Feature to Perform Data Exfiltration Attacks
本文提出QUIC-Exfil方法,利用QUIC服务器首选地址特性将数据外泄伪装成连接迁移,实验表明多种异常检测分类器及主流防火墙均无法有效识别此类攻击。
2025-05-08 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
Differential Area Analysis for Ransomware: Attacks, Countermeasures, and Limitations
针对勒索软件加密检测,提出三种绕过DAA的恶意文件头篡改攻击及三种片段化对策,实验证明对策可行且可部署。
2025-01-18 cs.CR
Decrypting SSL/TLS traffic for hidden threats detection
本文分析了SSL/TLS流量的主要解密机制。还考虑了用于检测领先公司使用的加密流量中的恶意活动的方法和技术。此外,拦截和解密通过SSL/TLS传输的流量的方法进行了开发,测试和建议。所开发的方法已经自动化,可用于远程监听网络,这将允许以接近实时的的模式解密传输的数据。
2019-04-16 cs.CR cs.NI
Blockchain-based Federated Learning with SMPC Model Verification Against Poisoning Attack for Healthcare Systems
针对联邦学习易受恶意更新与投毒攻击且难以兼顾隐私保护的问题,本文提出结合区块链、SMPC 加密推理验证和安全聚合的医疗系统框架,并在多个医学数据集上评估。
2023-04-26 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
SMTFL: Secure Model Training to Untrusted Participants in Federated Learning
本研究提出SMTFL方法,通过动态分组梯度混淆、投毒检测与遗忘机制、多方管控的加密聚合,在无可信参与方的联邦学习中抵御梯度反转和投毒攻击,兼具高检测准确率与模型性能保障。
2025-02-21 cs.CR cs.DC
Spectral Entanglement Fingerprinting: A Novel Framework for Ransomware Detection Using Cross-Frequency Anomalous Waveform Signatures
针对传统勒索软件检测易被规避的问题,提出基于频域分析的谱纠缠指纹(SEF)框架,通过提取加密活动的谱特征实现检测,在准确率、误报率、延迟和可扩展性上均表现优异,支持高吞吐量环境下的主动防御。
2025-03-25 cs.CR
ML-based tunnel detection and tunneled application classification
加密隧道协议被广泛使用。除了商业和个人用途外,恶意行为者还部署隧道来阻碍对命令和控制以及数据泄露的检测。维护隧道可见性的常用方法是依赖网络流量元数据和机器学习来分析隧道发生,而无需实际解密数据。然而,解决隧道协议的现有工作表现出几个弱点:它们的目标是检测隧道内的应用程序,而不是隧道识别,它们表现出有限的协议覆盖范围(例如,OpenVPN和Wireguard没有解决),以及不一致的功能和多样的机器学习技术,这使得性能比较困难。我们的工作做出了四项贡献,解决了这些局限性,并提供了进一步的分析。首先,我们解决OpenVPN和Wireguard。其次,我们提出了一个完整的管道来检测和分类隧道协议和隧道应用程序。第三,我们提出了一个彻底的分析网络流量元数据的功能和机器学习技术的性能。第四,我们提供了一个新的分析领域泛化的背景非隧道流量,以及领域泛化和对抗学习的最大传输单元(MTU)。
2022-01-25 cs.CR cs.NI
Automatic Detection of Fake Key Attacks in Secure Messaging
WhatsApp和Signal等流行的即时消息应用程序为数十亿用户提供端对端加密。它们依赖于一个集中的、特定于应用程序的服务器来分发公钥,并在用户之间中继加密的消息。因此,它们可以防止被动攻击,但容易受到一些主动攻击。恶意或被黑客攻击的服务器可以向用户分发假密钥,以执行中间人或冒充攻击。虽然典型的安全消息传递应用程序为用户提供了一种手动方法来检测这些攻击,但这给用户带来了负担,研究表明它在实践中是无效的。本文介绍了KTACA,一个完全自动化的方法,密钥验证,是不经意的用户和易于部署。我们通过设计两种自动密钥验证方法来激励KTACA。一种方法使用客户端审计(KTCA),第二种方法使用匿名密钥监控(AKM)。两者都具有相对较差的安全属性,导致KTACA,它结合了这些方法,以提供两全其美。我们对每种防御提供安全分析,确定它们可以自动检测到哪些攻击。我们实现了主动攻击,以证明它们是可能的,我们还创建了所有防御的原型实现,以衡量它们的性能并确认它们的可行性。最后,我们将讨论每种防御的优点和缺点、客户端和服务提供商的开销以及部署注意事项。
2022-10-18 cs.CR
Entropy based Anomaly Detection System to Prevent DDoS Attacks in Cloud
云计算是一种新的计算模式,它提供了对广域分布式资源的一致访问。它以其服务提供基础设施、更低的维护成本、数据和服务可用性保证、快速的可访问性和可扩展性彻底改变了IT世界。网格和云计算入侵检测系统通过检测节点间的加密通信,发现隐藏的攻击尝试,对基于网络和基于主机的攻击进行检测。它结合了知识和行为分析来识别特定的入侵。基于特征的入侵检测系统通过对网络中的数据包进行监测,并通过与数据库的匹配来识别威胁,但对数据库中没有包含的攻击却无法检测出来。基于特征的入侵检测系统在捕获大量异常时性能较差。另一个问题是云服务提供商隐藏了入侵者造成的攻击,由于分布式云环境具有很高的脆弱资源的可能性。通过冒充合法用户,入侵者可以恶意地使用服务的丰富资源。在建议的系统中,我们结合了一些概念,这是新的入侵检测技术。本文将基于熵的系统与异常检测系统相结合,提供多级分布式拒绝服务攻击。这是通过两个步骤完成的:首先,允许用户通过路由器在网络站点中,它结合了检测算法,并检测合法用户。其次,它再次通过放置在云站点中的路由器,其中它包含确认算法并检查阈值,如果其超出阈值,则认为是合法用户,否则其是在环境中发现的入侵者。
2013-08-28 cs.CR cs.DC
Host-Based Network Intrusion Detection via Feature Flattening and Two-stage Collaborative Classifier
University of Ottawa(渥太华大学);Ciena(CIENA公司)
针对NIDS检测APT等攻击的局限,提出融合主机与网络特征、结合特征扁平化和两阶段协同分类器的混合入侵检测方法,在两个公开数据集上有效提升了整体及单类攻击的检测性能。
2023-06-15 cs.AI cs.CR cs.NI
3D-IDS: Doubly Disentangled Dynamic Intrusion Detection
Beijing University of Posts and Telecommunications(北京邮电大学);HUAWEI Technologies Co., Ltd.(华为技术有限公司)
本文提出3D-IDS,通过两步特征解耦与动态图扩散解决NIDS中流特征纠缠导致的检测不一致问题,有效识别加密流量中的未知与已知攻击,并提升可解释性。
2025-05-07 cs.AI cs.CR cs.LG
Detecting Data Exfiltration through I2P Anonymity Networks: A Two-Phase Machine Learning Approach
University of Cincinnati(辛辛那提大学);Kwame Nkrumah University of Science & Technology(恩克鲁玛科技大学);Christian Service University(基督教服务大学);University of Skills Training and Entrepreneurial Development (USTED)(技能培训与创业发展大学);University of Ghana(加纳大学);University at Albany, State University of New York(纽约州立大学奥尔巴尼分校)
本文提出了一种两阶段机器学习模型,利用SafeSurf Darknet 2025数据集对I2P流量进行分析,通过随机森林分类器实现了99.96%的准确率,进一步通过XGBoost对I2P流量进行行为分析,识别外泄或合法活动,为运营网络环境中的I2P流量检测和威胁优先级评估提供了有效方法。
2026-10-11 cs.CR cs.NI