对抗前填充：针对基于 Transformer 的分类器生成可规避网络流量
密码学与安全
2025-12-25 v2 网络与互联网体系结构
摘要
到目前为止，流量遮蔽技术广泛用于保护网络数据隐私和安全，通过遮蔽流量的真实模式。然而，随着预训练模型的出现，尤其是基于 Transformer 的分类器，现有的流量遮蔽方法变得日益脆弱，当前研究报告的流量分类准确率可达 99% 或更高。为此，我们本文提出一种新颖且有效的对抗流量生成方法（AdvTraffic\footnote{The code and data are available at: https://anonymous.4open.science/r/TrafficD-C461}）。本方法的两个关键创新点：（i）提出一种前填充策略，用于修改数据包，有效克服了现有研究在针对基于 Transformer 的网络流量分类模型时的局限性；（ii）采用强化学习模型优化网络流量扰动，以最大化对基于 Transformer 的分类器的对抗效果。到我们知识所知，这是首次将对抗扰动技术应用于对抗基于 Transformer 的流量分类器。此外，我们的方法可以轻松部署到实际网络环境中。最后，我们在几个真实世界数据集上进行了多方面的实验，实验结果表明，我们提出的方法能够有效地削弱基于 Transformer 的分类器，将分类准确率显著降低至 25.68%。
关键词
引用
@article{arxiv.2510.25810,
title = {Adversarial Pre-Padding: Generating Evasive Network Traffic Against Transformer-Based Classifiers},
author = {Quanliang Jing and Xinxin Fan and Yanyan Liu and Jingping Bi},
journal= {arXiv preprint arXiv:2510.25810},
year = {2025}
}