针对基于机器学习的恶意流量检测系统的硬标签黑盒攻击
密码学与安全
2025-10-17 v1
摘要
基于机器学习（ML）的恶意流量检测是一种有前景的安全范式。它超越了基于规则的传统检测方法，通过识别各种高级攻击。然而，这些机器学习模型的鲁棒性仍然未得到充分探索，从而允许攻击者设计对抗性流量示例以规避检测。现有的规避攻击通常依赖过于限制性的条件（例如加密协议、Tor 或专业设置），或需要对目标进行详细的先验知识（例如训练数据和模型参数），这在现实中的黑盒场景中是不实用的。因此，实现一种可适用于不同任务和协议、且无需内部目标洞察的硬标签黑盒规避攻击，仍是一个开放性挑战。为此，我们开发了 NetMasquerade，通过强化学习（RL）来操控攻击流量，以模拟良好流量并规避检测。具体而言，我们建立了一个定制的预训练模型 Traffic-BERT，利用网络专用分词器和注意力机制来提取多样化的良好流量模式。随后，我们将 Traffic-BERT 集成到 RL 框架中，使 NetMasquerade 能够基于良好流量模式，对恶意数据包序列进行有效操控，并保持最小修改。实验结果表明，NetMasquerade 使我们能够在 80 个攻击情景下规避 6 种现有检测方法，实现超过 96.65% 的攻击成功率。值得注意的是，它可以规避那些针对现有规避攻击具有经验鲁棒性或可证鲁棒性的方法。最后，NetMasquerade 实现了低延迟的对抗流量生成，显示其在现实场景中的实用性。
引用
@article{arxiv.2510.14906,
title = {A Hard-Label Black-Box Evasion Attack against ML-based Malicious Traffic Detection Systems},
author = {Zixuan Liu and Yi Zhao and Zhuotao Liu and Qi Li and Chuanpu Fu and Guangmeng Zhou and Ke Xu},
journal= {arXiv preprint arXiv:2510.14906},
year = {2025}
}