基于 AI/ML 的 IPv6 网络中隐蔽通信检测与分类

IPv6 扩展报文头的灵活性和复杂性允许攻击者创建隐蔽通道或绕过安全机制，从而导致潜在的数据泄露或系统崩溃。人工智能和机器学习的成熟发展已成为缓解隐蔽通信威胁的主要检测技术选项。然而，检测隐蔽通信的复杂性、注入技术的不断演变以及数据稀缺性，使得构建机器学习模型具有挑战性。在先前的相关研究中，机器学习在检测隐蔽通信方面表现良好，但过于简化的攻击情景假设无法代表现代隐蔽技术的复杂性，也使机器学习模型更容易检测到隐蔽通信。为弥合这一差距，本研究分析了 IPv6 的数据包结构和网络流量行为，使用加密算法，在不改变网络数据包行为的前提下进行隐蔽通信注入，以接近真实攻击情景。在分析和注入隐蔽通信的方法之外，本研究还采用全面的机器学习技术训练本研究提出的模型，以检测威胁，包括传统决策树（如随机森林和梯度提升）以及复杂的神经网络架构（如 CNN 和 LSTM），以实现超过 90% 的检测准确率。本研究详细介绍了数据集增强的方法以及所应用模型的比较性能，强化了机器学习在 IPv6 隐蔽通信中的适应性和韧性。我们进一步引入了基于生成式 AI 的脚本细化框架，利用提示工程作为生成式代理如何助力隐蔽通信检测和模型增强的初步探索。