用于少样本恶意流量检测的层次化局部-全局特征学习
密码学与安全
2025-04-08 v1 人工智能
机器学习
摘要
随着互联网流量的快速增长，恶意网络攻击变得日益频繁和复杂，对全球网络安全构成了重大威胁。传统检测方法，包括基于规则和基于机器学习的方法，难以准确识别新兴威胁，特别是在样本有限的场景下。尽管少样本学习的最新进展部分解决了数据稀缺问题，但现有方法仍存在较高的误报率，且缺乏有效捕获关键局部流量模式的能力。在本文中，我们提出了 HLoG，这是一种新颖的层次化少样本恶意流量检测框架，利用从网络会话中提取的局部和全局特征。HLoG 采用滑动窗口方法将会话分割为多个阶段，通过层次化双向 GRU 编码捕获细粒度的局部交互模式，同时对全局上下文依赖关系进行建模。我们进一步设计了一个会话相似性评估模块，将局部相似性与全局自注意力增强表示相融合，实现了准确且鲁棒的少样本流量分类。在三个精心重建的数据集上的综合实验表明，HLoG 显著优于现有的 SOTA 方法。特别是，HLoG 在实现更高召回率的同时大幅降低了误报率，突显了其在实际网络安全应用中的有效性与实用价值。
引用
@article{arxiv.2504.03742,
title = {Hierarchical Local-Global Feature Learning for Few-shot Malicious Traffic Detection},
author = {Songtao Peng and Lei Wang and Wu Shuai and Hao Song and Jiajun Zhou and Shanqing Yu and Qi Xuan},
journal= {arXiv preprint arXiv:2504.03742},
year = {2025}
}