Analyzing Worms and Network Traffic using Compression
互联网蠕虫已经成为系统和网络操作的广泛威胁。为了更有效地对抗它们,有必要分析新发现的蠕虫和攻击模式。本文展示了如何基于柯尔莫哥洛夫复杂性的技术可以帮助分析互联网蠕虫和网络流量。使用压缩,不同种类的蠕虫可以按类型聚类。这使我们能够以一种非常简单、自动化的方式确定一个未知的蠕虫二进制文件实际上是否是现有蠕虫的更新版本。这可能成为恶意二进制文件的初始分析中的有用工具。此外,压缩也可以用于区分不同类型的网络流量,从而有助于检测流量异常:某些异常可以通过单独查看网络会话的可压缩性来检测。我们还展示了如何使用压缩来检测恶意网络会话,这些会话与已知的入侵尝试非常相似。这种技术可以成为一种有用的工具来检测攻击的新变化,从而有助于防止IDS规避。我们为Snort提供了两个新的插件来演示这两种方法。
2005-04-12 cs.CR
Exposing LLM User Privacy via Traffic Fingerprint Analysis: A Study of Privacy Risks in LLM Agent Interactions
Tsinghua University(清华大学);Ant Group(蚂蚁集团)
本研究通过流量指纹分析揭示LLM智能体交互泄露用户隐私的风险,提出AgentPrint方法,实现高精度智能体识别与用户属性推断,强调技术对策的紧迫性。
2025-10-08 cs.CR
FlowXpert: Context-Aware Flow Embedding for Enhanced Traffic Detection in IoT Network
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of the Chinese Academy of Sciences(中国科学院大学)
针对物联网流量检测中特征稀疏和语义捕获不足的问题,提出FlowXpert,通过上下文感知特征提取与DBSCAN结合对比学习的嵌入框架,在Mawi数据集上超越SOTA,实现高精度实时检测。
2025-09-25 cs.CR
Crypto-ransomware detection using machine learning models in file-sharing network scenario with encrypted traffic
自过去几年以来,勒索软件被认为是大多数企业的重大威胁。在用户可以访问共享服务器上的所有文件的情况下,一个受感染的主机可以锁定对所有共享文件的访问。我们提出了一种基于文件共享流量分析来检测勒索软件感染的工具。该工具监控客户端和文件服务器之间交换的流量,并使用机器学习技术搜索流量中的模式,这些模式在读取和删除文件时泄露了勒索软件的操作。该提案旨在为明文和加密文件共享协议工作。我们比较了三种机器学习模型,并选择最佳模型进行验证。我们使用来自26种不同病毒株的70多个勒索软件二进制文件和来自真实用户的超过2500小时的未感染流量来训练和测试检测模型。结果表明,该工具可以检测所有勒索软件二进制文件,包括那些没有在训练阶段使用(看不见)。本文通过研究误报率和勒索软件在被检测到之前可以加密的用户文件信息量来验证该算法。
2022-02-15 cs.CR cs.NI
On generating network traffic datasets with synthetic attacks for intrusion detection
入侵检测领域的大多数研究都需要数据集来以这样或那样的方式开发,评估或比较系统。然而,在这个领域,找到合适的数据集本身就是一个挑战。大多数公开可用的数据集都具有限制其有用性的负面品质。在这篇文章中,我们提出了ID2T(入侵检测数据集工具包)来解决这个问题。ID2T通过将合成攻击注入到后台流量中来促进标记数据集的创建。注入的合成攻击通过模仿背景流量的属性将其自身与背景流量混合,以消除ID2T使用的任何痕迹。这项工作有三个核心贡献领域。首先,我们提出了一个全面的调查入侵检测数据集。在调查中,我们提出了一种分类方法来对我们在数据集中发现的负面品质进行分组。其次,对ID2T的体系结构进行了修改、改进和扩展。这些架构变化使ID2T能够注入最新和高级的攻击,例如广泛的EternalBlue漏洞或僵尸网络通信模式。该工具包的新功能提供了一组测试,称为TIDED(测试入侵检测数据集),有助于识别注入攻击的后台流量中的潜在缺陷。第三,我们说明了ID2T是如何在不同的用例场景中使用,以评估性能的异常和基于签名的入侵检测系统的可重复的方式。ID2T是开源软件,可供社区使用,以扩展其攻击和功能。
2019-05-01 cs.CR
Network Traffic Forensics on Firefox Mobile OS: Facebook, Twitter and Telegram as Case Studies
以网络为中心的移动操作系统(如Firefox OS)的发展为数字调查人员带来了新的挑战和机遇。网络流量取证在网络犯罪侦查中发挥着重要的作用,可以发现犯罪主体和犯罪客体。在本章中,我们检测和分析Firefox OS的残留网络流量文物有关的两个流行的社交网络应用程序(Facebook和Twitter)和一个即时通讯应用程序(电报)。我们利用Firefox OS模拟器生成相关流量,同时使用网络监控工具捕获所有通信数据。对截获的网络数据包进行了检查,并报告了具有法医价值的残留物。本文作为第一篇重点研究手机Firefox OS网络流量分析的论文,为以后这一方向的研究做了铺垫。
2017-06-25 cs.CR
Network Traffic Analysis of Medical Devices
本文详细分析了8种医疗设备共51项功能的网络与蓝牙流量特征,发现其独特模式,可为医疗设备网络工具开发提供依据。
2024-07-18 cs.CR
Darknet Traffic Analysis A Systematic Literature Review
本文系统性综述了利用机器学习技术对暗网及匿名加密流量进行分类、监控与识别流量攻击的现有方法。
2023-11-27 cs.CR
Hunting in the Dark: Metrics for Early Stage Traffic Discovery
UCSD(加州大学圣迭戈分校);USC-ISI(南加州大学信息科学研究所);CAIDA(加州大学圣迭戈分校网络协作与数据分析中心)
本文针对威胁狩猎中早期未知流量发现问题,以加密挖矿恶意软件Crackonosh为研究对象,提出可发现性度量指标,分析检测方法效力与暗空间规模对检测的影响,为威胁狩猎实践提供度量支撑。
2025-10-21 cs.CR
NgViz: Detecting DNS Tunnels through N-Gram Visualization and Quantitative Analysis
本文介绍了NgViz,这是一种检查DNS流量并显示n-gram频率异常的工具。这是通过将输入文件与合法流量的指纹进行比较来实现的。提供定量分析和视觉辅助,允许用户确定DNS流量的合法性。
2010-04-25 cs.CR
Revisiting Network Traffic Analysis: Compatible network flows for ML models
GECAD, ISEP, Polytechnic of Porto(GECAD、ISEP、波尔图理工大学)
针对ML模型在网络攻击检测中因流量特征差异导致泛化性和稳健性不足的问题,本文通过HERA工具分析三大IoT数据集PCAP文件生成兼容流特征,实验表明其能提升集成树模型性能,为数据集兼容及模型评估提供新方法。
2025-11-11 cs.CR cs.LG cs.NI
IoTFlowGenerator: Crafting Synthetic IoT Device Traffic Flows for Cyber Deception
Army Research Labs(陆军研究实验室)
针对现有物联网蜜罐因缺乏真实流量易被攻击者检测的问题,提出结合序列生成对抗学习与物联网领域知识的IoTFlowGenerator工具,经18款设备实验验证,其生成的合成流量比现有生成器更难被自适应攻击者识别。
2023-05-01 cs.CR cs.LG
MalIoT: Scalable and Real-time Malware Traffic Detection for IoT Networks
Elizabethtown College(伊丽莎白敦学院)
本文提出MalIoT系统,利用机器学习算法实时分析IoT设备产生的海量数据以检测恶意流量,并结合Apache Kafka、Apache Spark分布式系统与Intel oneAPI加速推理,实现可扩展、高准确率的网络威胁防御。
2023-04-02 cs.CR cs.DC cs.LG
Content-Aware Attack Detection in LLM Agent Tool-Call Traffic: An Empirical Study of Features, Architectures, and Evaluation Protocols
Department of Computer Engineering, Duzce University(杜兹大学计算机工程系)
针对MCP工具调用流量,提出基于图神经网络的攻击检测框架,通过内容嵌入和任务分离评估协议,实现AUROC超过0.89的检测性能,并揭示随机分割评估导致的高估问题。
2026-05-22 cs.AI cs.CR cs.LG
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
New Directions in Automated Traffic Analysis
尽管机器学习用于安全领域的许多网络流量分析任务,从应用程序识别到入侵检测,但最终决定模型性能的机器学习管道的各个方面-特征选择和表示,模型选择和参数调整-仍然是手动和艰苦的。本文提出了一种自动化流量分析的许多方面的方法,使其更容易将机器学习技术应用于更广泛的流量分析任务。我们介绍nPrint,一个工具,它生成一个统一的数据包表示,是适合表示学习和模型训练。我们将nPrint与自动化机器学习(AutoML)集成,从而形成了nPrintML,这是一个公共系统,可以在很大程度上消除各种流量分析任务的特征提取和模型调整。我们已经在八个独立的流量分析任务上对nPrintML进行了评估,并发布了nPrint和nPrintML,以便将来能够扩展这些方法。
2021-10-19 cs.CR cs.NI
NURSE: eNd-UseR IoT malware detection tool for Smart homEs
检测恶意软件感染的传统技术并不适合最终用户使用,当前的恶意软件删除工具和安全软件无法处理物联网设备的异构性。在本文中,我们设计,开发和评估一个工具,所谓的ESPRISE,以填补这一信息差距,即,使最终用户能够检测其家庭网络中的物联网恶意软件感染。ARPSE遵循模块化方法来分析通过ARP欺骗技术捕获的物联网流量,该技术不需要任何网络修改或特定硬件。因此,RISSE提供了每个人都能获得的零配置物联网流量分析。在83个不同的物联网网络场景中使用各种物联网设备类型测试了MAGNETSE后,结果显示MAGNETSE使用设备网络行为和联系目的地识别感染恶意软件的物联网设备的准确性很高(86.7%)。
2022-03-09 cs.CR cs.NI
NetAgent: Multi-Task Agentic Network Traffic Analysis Made Practical
Virginia Tech(弗吉尼亚理工大学);UC Berkeley(加州大学伯克利分校)
NetAgent提出首个多任务智能体网络流量分析框架,通过知识增强规划、150+工具和三层记忆等设计,在9个基准上超越现有方法,显著提升泛化性与鲁棒性。
2026-10-07 cs.CR cs.NI
DDoS Attacks with Randomized Traffic Innovation: Botnet Identification Challenges and Strategies
分布式拒绝服务(DDoS)攻击通常通过$botnet$发起,$botnet$是隐藏在网络中的受损节点的“军队”。因此,用于DDoS缓解的推理工具应该能够及早可靠地区分正常用户和受感染的用户。不幸的是,最近出现的在应用层执行的攻击已经成倍增加了僵尸网络可以利用来隐藏其恶意活动的可能性。新的挑战出现了,不能简单地借用迄今为止已成功应用于早期DDoS范式的工具来解决。在这项工作中,我们基本上提供了三个贡献:$i)$我们为上述攻击类别引入了一个抽象模型,其中僵尸网络通过不断学习环境中可接受的模式来模拟正常流量; $ii)$我们设计了一个推理算法,该算法被证明可以提供一致的(即,随着时间的推移收敛到真正的解决方案)估计僵尸网络可能隐藏在网络中;和$iii)$,我们验证了所提出的推理策略的有效性$real$网络痕迹。
2016-09-09 cs.CR cs.IT cs.NI
IoTScent: Enhancing Forensic Capabilities in Internet of Things Gateways
针对物联网取证中高效采集网络痕迹的需求,提出开源工具IoTScent,支持基于IEEE 802.15.4的物联网流量捕获分析,简化取证数据收集流程,可用于设备识别,推动物联网取证研究发展。
2023-10-05 cs.CR cs.NI cs.SI