Evaluating Resilience of Encrypted Traffic Classification Against Adversarial Evasion Attacks
Carleton University(卡尔顿大学)
机器学习和深度学习算法可用于对加密的互联网流量进行分类。在存在针对学习算法的对抗攻击的情况下,加密流量的分类可能变得更具挑战性。在本文中,我们将重点研究不同规避攻击的有效性,并了解机器和深度学习算法的弹性。即,我们测试了C4.5决策树,K-最近邻(KNN),人工神经网络(ANN),卷积神经网络(CNN)和递归神经网络(RNN)。在我们的大多数实验结果中,与机器学习相比,深度学习对对抗性样本表现出更好的弹性。然而,攻击的影响因攻击类型而异。
2021-05-30 cs.AI cs.CR
The Naked Sun: Malicious Cooperation Between Benign-Looking Processes
Sapienza Università di Roma(罗马第一大学);Worcester Polytechnic Institute(伍斯特理工学院)
机器学习的最新进展在行为恶意软件检测方面产生了有希望的结果。行为建模通过恶意进程的运行时行为衍生的特征来识别恶意进程。行为特征有很大的希望,因为它们与每个恶意软件的功能本质上相关,因此被认为很难逃避。事实上,虽然在规避静态恶意软件特征方面存在大量结果,但规避动态特征的工作有限。本文深入研究了行为恶意软件检测器对规避的鲁棒性,特别关注反勒索软件规避。我们之所以选择勒索软件,是因为它的行为往往与良性进程的行为显著不同,这使其成为行为检测的一个容易实现的目标(也是一个难以规避的候选对象)。我们的分析确定了一组新的攻击,分布在一小组合作进程的整体恶意软件的工作负载,以避免产生显着的行为特征。我们最有效的攻击仅使用18个协作进程就将最先进的分类器的准确率从98.6%降低到0%。此外,我们证明了我们的攻击即使在黑盒设置中也能有效对抗商业勒索软件检测器。
2019-11-06 cs.CR cs.LG
Evading Classifiers by Morphing in the Dark
基于学习的系统已经被证明很容易通过对抗性数据操纵来逃避。这些攻击是在假设对手对目标模型内部、其训练数据集或至少其分配给输入样本的分类分数具有一定知识的情况下进行研究的。在本文中,我们研究了一个更加约束和现实的攻击场景,其中目标分类器最小限度地暴露于对手,揭示了其最终的分类决策(例如,拒绝或接受输入样本)。此外,对手只能使用黑盒变形器操纵恶意样本。也就是说,对手必须通过“在黑暗中”变形恶意样本来逃避目标分类器。我们提出了一个评分机制,可以分配一个真实的价值分数,反映逃避进展的基础上,有限的信息提供给每个样本。利用这样的评分机制,我们提出了一个规避方法- EvadeHC -并评估它对两个PDF恶意软件检测器,即PDFRate和Hidost。实验结果表明,所提出的规避攻击是有效的,在评估数据集上达到了$100\%$的规避率.有趣的是,EvadeHC优于基于分类器输出的分类分数操作的已知分类器规避技术。虽然我们的评估是在PDF恶意软件分类器上进行的,但所提出的方法是领域不可知的,并且对其他基于学习的系统具有更广泛的应用。
2017-08-23 cs.CR
FP-Inconsistent: Measurement and Analysis of Fingerprint Inconsistencies in Evasive Bot Traffic
UC Davis(加州大学戴维斯分校)
本文首次大规模评估规避型机器人流量,发现其指纹属性存在不一致性,并提出数据驱动规则检测跨空间与跨时间的不一致,使 DataDome 和 BotD 的规避率分别降低 48.11% 和 44.95%。
2025-09-21 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
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
Cloak and Detonate: Scanner Evasion and Dynamic Detection of Agent Skill Malware
Hong Kong University of Science and Technology(香港科技大学);Guangzhou HKUST Fok Ying Tung Research Institute, China(广州HKUST福耀高等研究院)
针对LLM编码代理技能市场中的恶意技能,提出两种规避静态扫描的方法(结构混淆和自提取技能打包),并设计基于沙箱运行时行为审计的检测系统SkillDetonate,实现97%检测率与2%误报率。
2026-07-03 cs.CR cs.SE
Effectiveness of Adversarial Benign and Malware Examples in Evasion and Poisoning Attacks
本文研究良性对抗样本在恶意软件检测逃避与投毒攻击中的有效性,通过修改现有生成器证明其与恶意样本同样有效,且在投毒攻击中影响更大,揭示了新的安全威胁。
2025-01-19 cs.CR
PDF-Malware: An Overview on Threats, Detection and Evasion Attacks
Université Polytechnique Hauts-De-France(上法兰西理工大学);CNRS(法国国家科学研究中心)
近年来,可移植文档格式(Portable Document Format,简称PDF)已成为文档交换和传播的民主化标准。这种趋势是由于其灵活性和跨平台可移植性等特性。PDF的广泛使用在良性用户中建立了固有安全的错误印象。然而,PDF的特性促使黑客利用各种类型的漏洞,克服安全保障措施,从而使PDF格式成为最有效的恶意代码攻击载体之一。因此,有效地检测恶意PDF文件是至关重要的信息安全。在文献中已经提出了几种分析技术,无论是静态的还是动态的,以提取允许区分恶意软件文件和良性文件的主要特征。由于经典的分析技术在零日的情况下可能受到限制,因此基于机器学习的技术最近已经作为能够从一组训练样本中概括的自动PDF恶意软件检测方法出现。这些技术本身面临着规避攻击的挑战,其中恶意PDF被转换为看起来是良性的。在这项工作中,我们给出了一个概述的PDF恶意软件检测问题。我们对新的挑战和新兴的解决方案提出了看法。
2021-07-27 cs.AI cs.CR
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
Robust Context-Aware Detection of Malicious Instructions in Text
Washington University in St. Louis(圣路易斯华盛顿大学)
该研究针对LLM易受间接提示注入攻击的问题,提出上下文感知的恶意句子分类方法及两种对抗训练技术,在静态和自适应攻击下均提升了IPI防御性能,且需根据领域调整参数。
2026-10-30 cs.CR cs.LG
Detecting Adversarial Evasion Attacks Against Autoencoder-Based Network Intrusion Detection Systems
Fraunhofer SIT(弗劳恩霍夫应用信息技术研究所);TU Darmstadt(达姆施塔特工业大学);ATHENE(雅典娜安全卓越中心)
提出两种互补检测器(RLD和FPC),分别从图像空间和包特征空间检测对抗性扰动,在UQ-IoT数据集上实现接近完美的检测性能。
2026-07-02 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
Just Testing, Move Along: Evasion of LLM-based System Log Interpretation by Prompt Injection
AIT Austrian Institute of Technology(奥地利技术研究所);NASK Research and Academic Computer Network(波兰科研与学术计算机网络中心)
研究基于大语言模型的系统日志解释中提示注入攻击问题,提出评估框架,利用真实攻击日志痕迹创建对抗示例,证明攻击可致恶意日志误分类,且LLMs解释含对抗指标可用于检测攻击。
2026-07-28 cs.CR
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
FENCE: Feasible Evasion Attacks on Neural Networks in Constrained Environments
Northeastern University(东北大学)
随着深度神经网络(DNN)的进步在许多关键应用中展示出前所未有的性能水平,它们对攻击的脆弱性仍然是一个悬而未决的问题。我们考虑在受限环境中测试时对深度学习的规避攻击,其中需要满足特征之间的依赖关系。这些情况可能在表格数据中自然出现,也可能是特定应用领域的特征工程的结果,例如网络安全中的威胁检测。我们提出了一个通用的迭代梯度为基础的框架,称为FENCE的手工规避攻击,考虑到具体的约束域和应用程序的要求。我们将其应用于针对两个网络安全应用训练的前馈神经网络:网络流量僵尸网络分类和恶意域分类,以生成可行的对抗性示例。我们广泛评估了攻击的成功率和性能,比较了它们在几个基线上的改进,并分析了影响攻击成功率的因素,包括优化目标和数据不平衡。我们表明,以最小的努力(例如,生成12个额外的网络连接),攻击者可以将模型的预测从恶意类别更改为良性类别,并逃避分类器。我们发现,在不平衡程度较高的数据集上训练的模型更容易受到我们的FENCE攻击。最后,我们展示了在约束域中进行对抗性训练的潜力,以提高模型对这些规避攻击的弹性。
2022-06-14 cs.CR cs.LG
One-Prompt Censorship Evasion via Generative Diffusion Models
University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
提出FlowPaint框架,利用扩散模型的语义编辑能力,将审查流量重塑为良性模式,用户仅需自然语言指令即可对抗多种审查范式。
2026-06-23 cs.CR cs.NI
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
Omni: Automated Ensemble with Unexpected Models against Adversarial Evasion Attack
North Carolina State University(北卡罗来纳州立大学)
背景:基于机器学习的安全检测模型在现代恶意软件和入侵检测系统中已经变得普遍。然而,以前的研究表明,这种模型容易受到对抗性逃避攻击。在这种类型的攻击中,输入(即,对抗性示例)是由智能恶意对手特别制作的,目的是被现有技术水平的模型错误分类(例如,深度神经网络)。一旦攻击者可以欺骗分类器,使其认为恶意输入实际上是良性的,他们就可以使基于机器学习的恶意软件或入侵检测系统失效。目标:通过集成模型的思想,帮助安全从业者和研究人员构建一个更强大的模型来对抗非自适应、白盒和非针对性的对抗性规避攻击。方法:我们提出了一种名为Omni的方法,其主要思想是探索创建“意外模型”集合的方法;即,模型的控制超参数有一个大的距离对手的目标模型的超参数,我们然后做一个优化的加权集成预测。测试结果:在对五种安全数据集(NSL-KDD,CIC-IDS-2017,CSE-CIC-IDS 2018,CICAnd-Mal 2017和Contagio PDF数据集)进行的五种类型的对抗性规避攻击(FGSM,BIM,JSMA,DeepFool和Carlini-Wagner)的研究中,我们发现与其他基线治疗方法相比,Omni是一种很有前途的对抗对抗攻击的防御策略。结论:当采用集成防御对抗性逃避攻击时,我们建议使用与攻击者的预期模型(即,目标模型)通过超参数优化等方法。
2021-10-12 cs.CR cs.LG
ShadowPickle: Evading Machine Learning Model Scanners via Stealthy Pickle Deserialization Attacks
Singapore University of Technology and Design(新加坡科技设计大学)
研究针对预训练机器学习模型及模型托管中心的攻击,提出SHADOWPICKLE攻击方法,含三种隐秘Pickle反序列化攻击,利用外部模块导入机制执行恶意负载,提供PICKLEBENCH基准,评估显示该攻击能有效规避扫描器,凸显现有扫描器局限并给出改进建议。
2026-07-21 cs.CR
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
TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack
Ben Gurion University of the Negev(内盖夫本-古里安大学);Nanyang Technological University(南洋理工大学)
网络入侵攻击是一种已知的威胁。为了检测这种攻击,已经开发和部署了网络入侵检测系统(NIDS)。这些系统将机器学习模型应用于从网络流量中提取的高维特征向量,以检测入侵。NIDS的进步使攻击者面临挑战,他们必须在不被这些系统检测到的情况下执行攻击。以前关于绕过NIDS的研究主要集中在干扰从攻击流量中提取的特征以欺骗检测系统,然而,这可能会危及攻击的功能。在这项工作中,我们提出了TANTRA,一种新的端到端的基于定时的对抗性网络流量整形攻击,可以绕过各种NIDS。我们的规避攻击利用了一个长短期记忆(LSTM)深度神经网络(DNN),该网络经过训练,可以学习目标网络良性数据包之间的时间差。经过训练的LSTM用于设置恶意流量数据包(攻击)之间的时间差,而不改变它们的内容,这样它们就像良性网络流量一样“表现”,并且不会被检测为入侵。我们评估TANTRA对八种常见的入侵攻击和三个国家的最先进的NIDS系统,实现了平均成功率为99.99%的网络入侵检测系统规避。我们还提出了一种新的缓解技术来解决这种新的逃避攻击。
2021-03-10 cs.CR cs.LG
Learning from the Good Ones: Risk Profiling-Based Defenses Against Evasion Attacks on DNNs
本文提出基于风险画像的风险感知选择性训练框架,利用对逃避攻击更具抵抗力的受害实例训练静态防御,在血糖管理系统中将召回率最高提升27.5%且对精确率影响最小。
2025-05-10 cs.CR
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
You Do (Not) Belong Here: Detecting DPI Evasion Attacks with Context Learning
随着深度包检测(DPI)中间盒变得越来越流行,出现了一系列以规避这种中间盒为目标的对抗攻击。这些攻击中的许多攻击利用中间盒网络协议实现与在终端主机上实现的更严格/完整版本之间的差异。这些规避攻击主要涉及对数据包的微妙操作,以在DPI和终端主机上引起不同的行为,从而掩盖恶意网络流量,否则可以检测到。随着最近的自动化发现,手动策划用于检测这些操纵的规则已经变得非常具有挑战性。在这项工作中,我们提出了CLAP,这是第一个完全自动化的无监督ML解决方案,可以准确检测和定位DPI规避攻击。通过学习我们所谓的数据包上下文,它基本上捕获了(1)连接中不同数据包之间的相互关系;(2)每个数据包中的不同报头字段,仅从良性流量跟踪中,CLAP可以检测和查明违反良性数据包上下文的数据包(这些数据包是为逃避目的而专门制作的)。我们的评估与73个国家的最先进的DPI规避攻击表明,CLAP实现了0.963的接收器工作特征曲线下的面积(AUC-ROC),一个相等的出错率(EER)只有0.061的检测,和94.6%的定位准确率。这些结果表明,CLAP可以是一个很有前途的工具,挫败DPI逃避攻击。
2020-11-03 cs.CR cs.NI
Pelta: Shielding Transformers to Mitigate Evasion Attacks in Federated Learning
University of Neuchâtel(纳沙泰尔大学);University of Rennes 1(雷恩第一大学);Inria(法国国家信息与自动化研究所);IRISA(法国信息与自动化研究所雷恩分所)
本文提出Pelta,利用可信执行环境屏蔽Transformer反向传播部分链式法则,以防御联邦学习中的恶意对抗样本探测,并在集成模型上验证了其对自注意力梯度攻击的有效性。
2023-08-08 cs.CR cs.CV cs.LG
Your Agent Is Mine: Measuring Malicious Intermediary Attacks on the LLM Supply Chain
University of California, Santa Barbara(加州大学圣塔芭芭拉分校);Fuzzland;University of California, San Diego(加州大学圣迭戈分校);World Liberty Financial
研究针对LLM供应链中恶意中间人攻击的系统性分析,提出两种核心攻击类型及适应性规避变种,通过实验发现多个路由器存在恶意注入和秘密外泄行为,并评估了三种客户端防御措施。
2026-04-09 cs.CR
Have You Stolen My Model? Evasion Attacks Against Deep Neural Network Watermarking Techniques
Sapienza University of Rome(罗马大学)
深度神经网络对计算机科学的各个领域产生了巨大的影响,大大超过了以前最先进的机器学习技术。为了实现这种性能,神经网络需要大量的数据和巨大的计算资源,这大大增加了它们的构建成本。构建良好的深度神经网络模型的成本增加,导致需要保护这种投资免受潜在的版权侵犯。机器学习模型的合法所有者希望能够可靠地跟踪和检测试图窃取与模型相关的知识产权的恶意对手。最近,通过在深度神经网络中引入水印的概念来解决这个问题,该概念允许合法所有者在给定模型中嵌入一些秘密信息(水印)。水印允许合法所有者检测其模型的版权侵犯。本文重点验证了最先进的深度神经网络水印方案的鲁棒性和可靠性。我们表明,恶意的对手,即使在水印难以删除的情况下,仍然可以逃避合法所有者的验证,从而避免检测模型盗窃。
2018-09-03 cs.CR cs.LG
SourceBroken: A large-scale analysis on the (un)reliability of SourceRank in the PyPI ecosystem
EURECOM(欧洲通信学院);SAP;Endor Labs
SourceBroken研究发现SourceRank在PyPI生态系统中存在可靠性问题,其未能及时反映软件包删除,导致恶意与良性软件包评分重叠,URL混淆攻击显著增加。
2025-12-30 cs.CR cs.SE
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
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
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
When Agents Look Like Beacons: NIDS Evasion by Model Context Protocol Traffic
University of Calgary(卡尔加里大学)
本研究揭示MCP流量在结构上类似C2信标,但现有NIDS无法检测,并提出智能体原生网络指示标准以弥补可见性缺口。
2026-09-17 cs.CR cs.NI
You Cannot Escape Me: Detecting Evasions of SIEM Rules in Enterprise Networks
针对现有SIEM检测规则近半数易被攻击者规避的问题,提出基于机器学习的自适应误用检测系统AMIDES,可在无误报下检测多数规避行为,简化告警分析,适用于实际部署以减少检测盲区。
2023-12-19 cs.CR
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
Facilitating Feature and Topology Lightweighting: An Ethereum Transaction Graph Compression Method for Malicious Account Detection
本文提出以太坊交易图压缩方法TGC4Eth,通过特征选择和图拓扑聚焦粗化实现轻量化,在保持图连通性的同时提升恶意账户检测效率与抗特征规避攻击鲁棒性。
2024-07-02 cs.CR cs.SI
Multi-Instance Adversarial Attack on GNN-Based Malicious Domain Detection
New Jersey Institute of Technology(新泽西理工学院);Qatar Computing Research Institute (QCRI)(卡塔尔计算研究所);Hamad Bin Khalifa University (HBKU)(哈马德·本·哈利法大学)
针对基于GNN的恶意域名检测易被多域名攻击者规避的问题,提出推理阶段多实例对抗攻击方法MintA,仅需黑盒访问即可通过优化扰动实现超80%的攻击成功率,为安全防护敲响警钟。
2023-08-22 cs.AI cs.CR
MERLIN -- Malware Evasion with Reinforcement LearnINg
Orange Innovation(Orange创新研究院);University of Caen Normandy(卡昂诺曼底大学)
除了基于签名和基于统计学的检测技术之外,机器学习(ML)还被广泛用于推广新的、从未见过的恶意软件(恶意软件)。然而,已经证明,ML模型可以通过欺骗分类器返回错误的标签来欺骗。例如,这些研究通常依赖于对基于梯度的攻击很脆弱的预测分数。在攻击者几乎没有关于恶意软件检测引擎的输出的信息的更现实的情况下,实现了适度的规避率。在本文中,我们提出了一种使用强化学习与DQN和REINFORCE算法的方法,以挑战两个最先进的基于ML的检测引擎(MalConv \& EMBER)和Gartner分类为领导者AV的商业AV。我们的方法结合了几个动作,修改Windows可移植执行(PE)文件,而不会破坏其功能。我们的方法还可以识别哪些操作执行得更好,并编译详细的漏洞报告,以帮助减轻规避。我们证明,REINFORCE实现了非常好的逃避率,即使在商业AV有限的可用信息。
2022-03-30 cs.AI 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
Machine Learning for Encrypted Malicious Traffic Detection: Approaches, Datasets and Comparative Study
随着人们对个人隐私和数据安全的需求变得优先,加密流量已成为网络世界的主流。但是,流量加密也可以屏蔽对手引入的恶意和非法流量,使其不被检测到。尤其是在后COVID-19环境中,恶意流量加密正在迅速增长。依赖于普通有效负载内容分析(如深度数据包检测)的常见安全解决方案变得毫无用处。因此,基于机器学习的方法已经成为加密恶意流量检测的重要方向。在本文中,我们制定了一个通用的框架,机器学习为基础的加密恶意流量检测技术,并提供了一个系统的审查。此外,由于缺乏公认的数据集和特征集,目前的研究采用不同的数据集来训练他们的模型。因此,它们的模型性能无法进行可靠的比较和分析。因此,在本文中,我们分析,处理和组合来自5个不同来源的数据集,以生成一个全面和公平的数据集,以帮助在这一领域的未来研究。在此基础上,实现并比较了10种加密恶意流量检测算法。然后,我们讨论的挑战,并提出未来的研究方向。
2022-03-17 cs.AI cs.CR cs.LG
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
WebEye - Automated Collection of Malicious HTTP Traffic
Fraunhofer Institute AISEC(弗劳恩霍夫应用安全研究所以色列分所)
随着恶意软件检测技术越来越多地采用机器学习方法,创建精确的训练集变得越来越重要。需要真实网络流量的大数据集,正确分类为良性或恶意,不仅要训练经典和深度学习算法,还要作为现有恶意软件检测产品的评估基准。有趣的是,尽管用户在浏览web时可能遇到大量和多功能的威胁,但是实际的恶意内容通常很难得到,因为必须满足诸如浏览器和操作系统类型和版本之类的先决条件,以便从恶意软件分发服务器接收有效载荷。结合对实际用户流量数据集的隐私限制,研究人员和产品开发人员很难针对实际Web流量的大规模数据集评估反恶意软件解决方案。在本文中,我们提出了WebEye,一个框架,自主创建现实的HTTP流量,丰富记录的流量与额外的信息,并分类记录为恶意或良性的,使用不同的分类。我们正在使用WebEye收集恶意HTML和JavaScript,并展示如何使用WebEye创建的数据集来训练基于机器学习的恶意软件检测算法。我们将WebEye及其创建的数据集视为研究人员和产品开发人员的工具,以针对大规模基准评估和改进其基于AI的反恶意软件解决方案。
2018-02-16 cs.CR cs.LG
Stealth and Evasion in Rogue AP Attacks: An Analysis of Modern Detection and Bypass Techniques
Purdue University(普渡大学)
本文研究了恶意AP攻击的隐匿与规避技术,通过构建恶意AP并测试其对Suricata NIDS的检测效果,揭示了现有入侵检测系统在无线管理帧攻击方面的不足。
2025-12-11 cs.CR
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
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
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
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
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
Evasion-Resilient Detection of DNS-over-HTTPS Data Exfiltration: A Practical Evaluation and Toolkit
University of Kent(肯特大学)
本研究提出了一种端到端的容器化流水线,用于生成可配置的DNS-over-HTTPS文件外泄数据,并评估机器学习与基于阈值的检测方法在对抗性场景下的性能。
2025-12-23 cs.AI cs.CR cs.NI
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
A Novel Perturb-ability Score to Mitigate Evasion Adversarial Attacks on Flow-Based ML-NIDS
本文提出可扰动性评分(PS)量化NIDS特征受操纵风险,通过PS引导的特征选择与掩蔽,在保持检测性能的同时显著降低规避对抗攻击的脆弱性。
2025-06-18 cs.AI cs.CR cs.LG