AEGIS：对抗熵引导免疫系统——用于零日网络规避检测的热力学状态空间模型
密码学与安全
2026-04-03 v1 机器学习
摘要
随着TLS 1.3加密限制了传统深度包检测（DPI），安全领域已转向基于欧几里得Transformer的分类器（如ET-BERT）用于加密流量分析。然而，这些模型仍然易受字节级对抗变形——近期的预填充攻击将ET-BERT准确率降至25.68%，而VLESS Reality完全绕过了基于证书的检测。我们提出了AEGIS：一个由热力学方差引导双曲液体状态空间模型（TVD-HL-SSM）驱动的对抗熵引导免疫系统。AEGIS不参与欧几里得载荷读取领域，而是丢弃载荷字节，转而采用投影到非欧几里得Poincaré流形的6维连续时间流物理。液体时间常数测量微秒级IAT衰减，热力学方差检测器计算序列级香农熵以暴露自动化C2隧道异常。纯C++ eBPF采集器通过零拷贝IPC绕过Python GIL，使线性时间O(N)的Mamba-3核心能够以线速处理64,000个数据包的集群。在涵盖骨干流量、IoT僵尸网络、零日和专有VLESS Reality隧道的400GB四层对抗语料库上评估，AEGIS实现了0.9952的F1分数和262微秒推理延迟下99.50%的真正阳性率，在基于物理的对抗网络防御领域建立了新的最先进水平。
引用
@article{arxiv.2604.02149,
title = {AEGIS: Adversarial Entropy-Guided Immune System -- Thermodynamic State Space Models for Zero-Day Network Evasion Detection},
author = {Vickson Ferrel},
journal= {arXiv preprint arXiv:2604.02149},
year = {2026}
}
备注
10 pages, 3 figures, 3 tables