基于 VAE、GAN 和 SMOTE 的加密网络流量中的 Tor 检测比较评估
密码学与安全
2026-01-06 v1
摘要
加密网络流量因缺乏有效载荷可见性、标记数据集有限以及恶意活动与良性活动类别不平衡等挑战，使入侵检测面临重大困难。传统数据增强方法难以保留真实网络流量的复杂时序和统计特征。为此，本文探索使用生成式AI模型合成逼真且多样化的加密流量痕迹。我们评估了三种方法：变分自编码器(VAE)、生成对抗网络(GAN)和SMOTE(合成少数类过采样技术)，每种方法集成包含特征选择和类别平衡的预处理管道。以UNSW NB-15数据集为主要基准，聚焦Tor流量作为异常。我们分析真实数据与合成数据之间的统计相似性，并评估分类器性能指标，如准确率、F1分数和AUC-ROC。结果表明，VAE生成的数据在隐私性和性能之间提供了最佳平衡，GAN提供更高保真度但可能导致过拟合。SMOTE虽简单，能提升召回率但可能缺乏多样性。研究表明，GAI方法在训练隐私保护合成数据时能显著提升加密流量检测性能。
引用
@article{arxiv.2601.01183,
title = {Comparative Evaluation of VAE, GAN, and SMOTE for Tor Detection in Encrypted Network Traffic},
author = {Saravanan A and Aswani Kumar Cherukuri},
journal= {arXiv preprint arXiv:2601.01183},
year = {2026}
}
备注
The entire code is available at https://colab.research.google.com/drive/1ubglT_7WsiKfzEQ547Kjej3r9xD-4lkT#scrollTo=2-v2GLgWjt1L