DeepMAL——用于恶意软件流量检测与分类的深度学习模型
密码学与安全
2020-03-26 v2 机器学习
网络与互联网体系结构
摘要
健壮的网络安全系统对于预防和缓解日益增多的网络攻击所带来的危害至关重要。近年来，基于机器学习的系统在网络安全的应用中日益流行，通常考虑浅层模型的应用，这类模型依赖于专家手工输入特征的精心构造。该方法的主要局限在于手工特征在不同场景和攻击类型下可能表现不佳。深度学习（DL）模型可利用其从原始未处理数据中学习特征表示的能力解决此局限。本文中，我们探索 DL 模型在恶意软件网络流量检测与分类这一特定问题上的能力。作为相对于当前最优方法的主要优势，我们将来自受监控字节流的直接原始测量作为所提模型的输入，并评估不同的原始流量特征表示，包括包级与流级的表示。我们提出 DeepMAL，一种无需任何专家手工特征即可捕捉恶意流量底层统计特性的 DL 模型。使用包含不同恶意软件流量族的公开可用流量迹，我们表明 DeepMAL 能以高准确率检测并分类恶意流，优于传统的浅层类模型。
引用
@article{arxiv.2003.04079,
title = {DeepMAL -- Deep Learning Models for Malware Traffic Detection and Classification},
author = {Gonzalo Marín and Pedro Casas and Germán Capdehourat},
journal= {arXiv preprint arXiv:2003.04079},
year = {2020}
}
备注
3rd International Data Science Conference (IDSC 2020)