《電子技術應用》
您所在的位置:首頁 > 通信與網絡 > 設計應用 > 基于神經網絡的加密惡意流量檢測技術研究
基于神經網絡的加密惡意流量檢測技術研究
電子技術應用
夏龍飛1,張琪浩1,吳憲云1,朱雪田2,谷欣2,田敏2
1.西安電子科技大學 通信工程學院;2.中國星網網絡創新研究院有限公司
摘要: 隨著加密通信的廣泛應用,傳統基于內容分析的惡意流量檢測方法逐漸失效,如何高效檢測加密流量中的惡意行為成為網絡安全領域的研究重點。研究提出了一種基于神經網絡的加密惡意流量檢測方法,通過深度學習模型實現惡意加密流量的分類。首先,將網絡流量預處理并提取關鍵特征,包括包大小分布、時間間隔及協議類型等,隨后將特征映射為二維特征圖(Feature Map),作為深度學習模型的輸入。設計可伸縮的窗口自注意力機制,利用Transfomer神經網絡模型對特征圖進行分類,實現了對惡意流量的高效檢測。實驗結果表明,該方法在檢測精度、召回率等方面均表現優異,為解決加密流量惡意行為檢測問題提供了一種可行方案。
中圖分類號:TP393.08 文獻標志碼:A DOI: 10.16157/j.issn.0258-7998.246097
中文引用格式: 夏龍飛,張琪浩,吳憲云,等. 基于神經網絡的加密惡意流量檢測技術研究[J]. 電子技術應用,2025,51(3):12-16.
英文引用格式: Xia Longfei,Zhang Qihao,Wu Xianyun,et al. Encrypted malicious traffic detection based on neural network[J]. Application of Electronic Technique,2025,51(3):12-16.
Encrypted malicious traffic detection based on neural network
Xia Longfei1,Zhang Qihao1,Wu Xianyun1,Zhu Xuetian2,Gu Xin2,Tian Min2
1.School of Communication Engineering, Xidian University; 2.China Satellite Network Innovation Co., Ltd.
Abstract: With the widespread application of encrypted communications, traditional malicious traffic detection methods based on content analysis have gradually become ineffective. How to efficiently detect malicious behavior in encrypted traffic has become a research focus in the field of network security. This paper proposes a neural network-based encrypted malicious traffic detection method, which realizes the classification of malicious encrypted traffic through a deep learning model. First, the network traffic is preprocessed and key features are extracted, including packet size distribution, time interval, and protocol type. The features are then mapped into a two-dimensional feature map as the input of the deep learning model. A scalable window self-attention mechanism is designed, and the Transfomer neural network model is used to classify feature maps, achieving efficient detection of malicious traffic.Experimental results show that this method performs well in detection accuracy, recall rate, and model robustness, and provides a feasible solution to the problem of malicious behavior detection in encrypted traffic.
Key words : encrypted malicious traffic;scalable windowed self-attention;deep learning;network security

引言

近年來,隨著互聯網的快速發展和數據隱私保護意識的增強,加密通信技術得到了廣泛應用,使用HTTPS、VPN、TLS等加密協議的流量成為網絡中的主流。然而,加密流量的普及在提升數據傳輸安全性的同時,也為惡意攻擊者提供了掩護,使其可以利用加密流量隱藏惡意行為,規避傳統基于內容檢測的安全機制。如何在保證隱私的前提下,對加密流量進行高效、精準的惡意行為檢測,已經成為網絡安全領域的重要研究課題。傳統的惡意流量檢測方法主要依賴于規則匹配和深度包檢測(Deep Packet Inspection, DPI),這類方法需要解密流量內容,存在較高的計算開銷、隱私泄漏風險以及對新型攻擊的檢測能力不足的問題。為應對這些挑戰,近年來基于機器學習和深度學習的流量檢測方法開始受到關注,尤其是利用神經網絡提取流量特征和模式,可以在無需解密的情況下對加密流量進行分類和檢測。Wang[1]提出了一個基于流量統計特征的惡意流量檢測框架,結合傳統的機器學習方法(如隨機森林和支持向量機)來有效分類流量,但對資源消耗較高。深度學習技術的引入進一步提升了惡意流量檢測的準確性和效率。如Anitha[2]利用卷積神經網絡(Convolutional Neura Network,CNN)和長短時記憶網絡(Long Short-Term Memory,LSTM),通過自動學習流量中的復雜特征,避免了人工設計特征的限制。Wang等[3]研究發現,流量元數據可以轉換為圖像,并利用CNN進行分類,但對于具有多維特征信息的流量分類效果欠佳。Zheng等[4]提出了基于Transformer的加密流量分類模型,相較于CNN和LSTM,在處理復雜流量模式時提取全局特征能力表現更好,但計算復雜度高[5-8]。基于上述問題,本文提出了可伸縮的窗口自注意力機制,在保持全局信息捕捉能力的同時,降低了計算復雜度,使得Transformer模型在加密流量分類任務中能夠高效訓練和推理。


本文詳細內容請下載:

http://www.viuna.cn/resource/share/2000006352


作者信息:

夏龍飛1,張琪浩1,吳憲云1,朱雪田2,谷欣2,田敏2

(1.西安電子科技大學 通信工程學院, 陜西 西安710000;

2.中國星網網絡創新研究院有限公司, 北京100029)


Magazine.Subscription.jpg

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 亚洲精品动漫在线 | 亚洲精品视频免费看 | 制服丝袜视频在线观看 | 大片刺激免费播放视频 | 精品国产夜色在线 | 久久亚洲私人国产精品 | 欧美三级在线观看不卡视频 | 黄色激情视频网站 | 久久综合狠狠综合狠狠 | a毛片久久免费观看 | 伊人网中文字幕 | 中文字幕一区二区三区精彩视频 | 黄色小视屏 | 丝袜美腿美女被狂躁动态图片 | 黄色小毛片 | 美国一级黄色毛片 | 在线视频日韩欧美 | 日韩精品一区二区三区中文精品 | 日韩欧美一区二区三区四区 | 在线观看国产wwwa级羞羞视频 | 日韩视频一区二区 | 天天舔天天干天天操 | 国产成人综合手机在线播放 | 日韩欧美中文 | 色视频2 | 亚洲码和乱人伦中文一区 | 成人私人影院www片免费高清 | 香港三级日本三级人妇三级四 | 午夜在线不卡 | 欧美成人午夜影院 | 欧美色爱综合 | 成人在线视频在线观看 | 欧美三级久久 | 欧美最猛黑人xxxxx猛交 | 热热热热色 | 99免费精品 | 国产色手机在线观看播放 | 在线香蕉 | 一区二区三区免费在线观看 | 三级黄色片免费观看 | 天天碰夜夜 |