Mar, 2022

加密恶意流量检测的机器学习方法、数据集及比较研究

PDF
TL;DR本文提出基于机器学习的加密恶意流量检测技术的通用框架，并提供系统评估。通过分析、处理和合并来自 5 个不同来源的数据集，生成综合公平数据集以帮助未来研究，实现和比较 10 种加密恶意流量检测算法，并讨论挑战和未来研究方向。
encrypted trafficmalicious traffic detectionmachine learningdatasetssecurity solutions
发现论文，激发创造
  • 使用深度学习和其他机器学习算法进行加密恶意流量检测的特征挖掘

    本文提出了一种用于恶意加密流量分析的新型加密流量特征，并比较不同的特征提取方法，同时提出了一个加密恶意流量检测框架，该框架包括深度学习和传统机器学习算法，经实验表明，这个框架的检测效果优于传统的深度学习和机器学习算法。

    Apr, 2023

  • 加密恶意流量的特征分析

    近年来恶意软件攻击中使用加密的 HTTP 流量进行自我传播或通信的数量急剧增加。本文应用三种机器学习技术来区分恶意加密的 HTTP 流量与良性加密流量，并获得与以往研究相当的结果。同时，我们详细考虑特征分析问题，并证明可直接从机器学习模型中获取与特征相关的信息。我们认为这种基于机器学习的特征分析方法更可靠，例如我们可以发现相对非直观的特征之间的相互作用。

    Dec, 2023

  • 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

  • 通过网络流量分析和机器学习技术来缓解勒索软件威胁

    这篇论文集中讨论了一种在计算机网络中识别和检测勒索软件的方法，该方法基于机器学习算法和对网络流量模式的分析，显示机器学习算法可以通过网络流量准确识别和检测勒索软件。

    Jan, 2024

  • 基于机器学习的恶意车辆检测与对车辆自组织网络（VANET）通信的安全威胁和攻击

    我们提出了一个基于机器学习的方法来检测车辆自组网（VANET）中的黑洞攻击，并评估了各种机器学习算法的有效性，结果表明这些算法在区分正常节点和恶意节点方面是有效的。我们的研究结果强调了机器学习方法在增强 VANET 安全性方面的潜力。

    Jan, 2024

  • 恶意软件分析的机器学习技术调查

    该论文综述了在 Windows 环境下应用机器学习技术进行恶意软件分析的方法，并介绍了涉及的因素，包括目标、特征和算法。此外，文中还探讨了相关的数据集、问题和挑战以及未来研究方向，如恶意软件分析经济学。

    Oct, 2017

  • 基于数据驱动的恶意网站检测方法综述

    本文系统评述了针对恶意网站的数据驱动方法，包括数据预处理、特征提取、模型构建和技术拓展，并对近年来提出的基于深度学习模型的方法进行了比较。最后，讨论了数据驱动方法面临的挑战和未来发展方向。

    May, 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

  • 基于 Transformer 的有效载荷恶意软件检测与分类框架

    基于变压器的恶意流量检测算法，在只使用有效载荷字节的情况下，能够有效区分测试数据集中的恶意流量与良性流量，实现了二进制分类的平均准确率为 79% 和多类分类实验的准确率为 72%。

    Mar, 2024

  • 通过将机器学习与 Cuckoo 沙盒集成来增强恶意软件检测

    本研究通过使用深度学习算法（如 CNN 和 RNN）对包含 API 调用序列的数据集进行恶意软件分类和识别，与传统的机器学习方法（如 SVM、RF、KNN、XGB 和 GBC）进行性能对比，发现深度学习和机器学习算法在某些情况下均能达到高达 99% 的准确率。

    Nov, 2023