分解以理解，融合以检测：基于频率解耦的加密网络流量异常检测
密码学与安全
2026-05-06 v1 人工智能
摘要
网络流量异常检测代表着关键的网络安全任务，然而广泛加密使此任务日益具有挑战性。应对此问题，基于图像的方法将流量建模为视觉模式已成为主导方法。然而，本工作首次识别了一种普遍的“全频率”特征及其相关限制，称为“谱差异”。具体而言，尽管加密流量表现出突出的高频成分，主流重建方法却倾向于学习低频信息。这种根本性的不匹配导致表征不完整，从而降低异常检测性能。为解决此挑战，我们提出 FreeUp，一种专为加密流量分析设计的新颖频率解耦框架。FreeUp 将流量数据分解为独立的低频和高频带，分别通过专门的分支处理，并配合定制化训练策略确保频率特定的稳定且独立学习。此外，鉴于简单重建误差对双分支架构的评估不足，我们引入一种不确定性驱动的融合评分机制。该机制量化频率特定分支的重建不确定性并动态整合其输出，产生更全面可靠的异常得分。在多个基准上的广泛实验表明，FreeUp 持续优于最先进的基线方法。代码已提供：https://github.com/ikun0124/FreeUp。
引用
@article{arxiv.2605.02970,
title = {Decompose to Understand, Fuse to Detect: Frequency-Decoupled Anomaly Detection for Encrypted Network Traffic},
author = {Xinglin Lian and Chengtai Cao and Ting Zhong and Yong Wang and Kai Chen and Fan Zhou},
journal= {arXiv preprint arXiv:2605.02970},
year = {2026}
}
备注
Accepted by INFOCOM 2026