CBSeq：一种用于加密恶意流量检测的通道级行为序列
密码学与安全
2023-07-19 v1
摘要
机器学习与神经网络已成为加密恶意流量检测中日益流行的解决方案。它们挖掘并学习复杂流量模式，通过拟合恶意流量与良性流量间的边界实现检测。相较于基于签名的方法，它们具有更高的可扩展性与灵活性。然而，受恶意软件频繁变种与更新影响，现有方法误报率高，且在未知恶意流量检测上表现不佳。实现有效的恶意流量检测仍是一项关键任务。本文引入 CBSeq 以解决上述问题。CBSeq 是一种构建稳定流量表示——行为序列——以刻画攻击意图并实现恶意流量检测的方法。我们新颖地提出以具有相似行为的通道作为检测对象，并提取侧信道内容构建行为序列。与良性活动不同，恶意软件及其变种流量的行为序列表现出稳固的内部相关性。此外，我们设计了 MSFormer，一种基于 Transformer 的强大多序列融合分类器。它捕捉行为序列的内部相似性，从而区分恶意流量与良性流量。我们的评估表明，CBSeq 在各种已知恶意流量检测中表现有效，并在未知恶意流量检测中展现出优越性能，优于最先进的方法。
引用
@article{arxiv.2307.09002,
title = {CBSeq: A Channel-level Behavior Sequence For Encrypted Malware Traffic Detection},
author = {Susu Cui and Cong Dong and Meng Shen and Yuling Liu and Bo Jiang and Zhigang Lu},
journal= {arXiv preprint arXiv:2307.09002},
year = {2023}
}
备注
Submitted to IEEE TIFS