对抗网络流量：评估基于深度学习的网络流量分类的鲁棒性

Mar, 2020

对抗网络流量：评估基于深度学习的网络流量分类的鲁棒性

Adversarial Network Traffic: Towards Evaluating the Robustness of Deep Learning-Based Network Traffic Classification

Amir Mahdi Sadeghzadeh, Saeed Shiravi, Rasool Jalili

TL;DR本文评估深度学习技术在网络流量分类中对抗网络攻击的鲁棒性，通过三种不同类别的攻击方法注入通用对抗扰动，发现即使注入微小的扰动也能显著降低深度学习技术在包分类、数据包内容分类和时间序列分类中的分类性能。

Abstract

network traffic classification is used in various applications such as network traffic management, policy enforcement, and intrusion detection systems. Although most applications encrypt their network traffic and some of them dynamically change their port numbers, Machine Learning (ML)

network traffic classification deep learning adversarial network traffic universal adversarial perturbation robustness evaluation

发现论文，激发创造

评估与提升基于机器学习的网络入侵检测器的对抗鲁棒性

本研究是首次系统地研究灰盒 / 黑盒交通空间对抗攻击来评估基于 ML 的 NIDS 的鲁棒性，攻击效果最高可达 97% 躲避率。研究提出可自动突变原始数据流、适用于多种 ML/DL 模型和非载荷特征的通用攻击，同时提出防御措施来提高系统鲁棒性。

May, 2020

加密流量分类的深度学习：概述

介绍了一个基于深度学习的 Traffic Classification 框架，讨论了常见的深度学习方法及其在 Traffic Classification 任务中的应用，探讨并解决了深度学习方法中的开放性问题和挑战。

Oct, 2018

基于深度学习的无线电信号分类的对抗攻击

本文研究了深度学习在无线电信号分类中的应用和安全性问题，通过白盒和黑盒对抗攻击使模型分类性能显著下降，与传统的干扰攻击相比，这些攻击更加强大。

Aug, 2018

大规模 MIMO 系统中神经网络功率分配的通用对抗攻击

本文研究了基于 DL 的模型在无线系统下行功率分配问题中的回归应用，并提出了通用对抗扰动（UAP）制造方法作为白盒和黑盒攻击。通过对 UAP 的性能测试，展示了其白盒和黑盒攻击成功率分别可以达到 60％和 40％。提出的 UAP 攻击方法与传统的白盒攻击相比更具实用性和现实性。

Oct, 2021

Adv-Bot：针对网络入侵检测系统的逼真对抗僵尸网络攻击

本研究旨在调查是否有可能针对网络入侵检测系统进行逃逸攻击，并在黑盒环境下提出恶意交通流量攻击和防御机制。

Mar, 2023

通过自动网络流量分析提升物联网安全性：从机器学习到深度学习的转变

本研究比较分析了深度学习（DL）在处理物联网（IoT）任务中，如攻击分类和设备类型识别方面，如何超越机器学习（ML）的优点。通过训练和评估使用多个多样化的 IoT 相关数据集的 DL 模型，我们获得了有关这些模型在不同 IoT 配置下的适应性和实际性的宝贵见解。结果表明 DL 能够超越手动设计特征的限制，在攻击检测方面取得了优越的结果，并在设备类型识别方面达到了可比较的成果。此外，在实验中还出现了显著的特征提取时间差异：传统方法每个数据包需要约 29 毫秒，而 DL 只需 2.9 毫秒完成同样的任务。这个显著的时间差以及 DL 的卓越性能和手动设计特征的局限性，对物联网社区提出了强烈的行动呼吁。这促使我们从为每个数据集探索新的 IoT 特征转向解决将 DL 集成到 IoT 中的挑战，使其成为实际物联网场景的更有效解决方案。

Nov, 2023

深度包：一种使用深度学习进行加密流量分类的新方法

本文提出了一种基于深度学习的网络流量分类方法 Deep Packet，通过嵌入堆叠自编码器和卷积神经网络将特征提取和分类融合为一体，能够识别加密和 VPN 网络流量，并取得了 95% 以上的分类准确率。

Sep, 2017

深度神经网络恶意软件分类的对抗扰动

该研究针对深度神经网络在恶意软件分类中存在的漏洞，通过对对抗样本进行有效构建的攻击，探讨如何构建在样本生成方面更具挑战性的更安全的模型。该研究表明，在对抗样本的制作方面，恶意软件分类与计算机视觉领域之间存在巨大的差异。本文还评估了潜在的防御机制对恶意软件分类的影响，并发现对抗样本的蒸馏和重新训练可以带来很有前途的结果。

Jun, 2016

图像分类中最新通用对抗扰动的比较评估

本文综述了最近在图像分类任务中的 UAPs 的进展，并将其分类为噪声攻击和生成器攻击，并提供了每个类别中代表性方法的全面概述，同时还评估了不同的损失函数在一致的培训框架内的各种攻击设置的有效性，最后提供了扰动的一些可视化及未来的潜在研究方向。

Jun, 2023

自动化网络流量分类的主动学习框架

本文介绍了一种基于主动学习框架（ALF）的网络流量分类方法，它提供了准备好的软件组件，用于部署主动学习循环和自动维护数据集和机器学习模型的实例。该方法可应用于高速网络（100Gb/s），支持不同的注释、评估和数据集优化策略的研究实验。

Oct, 2022