Mar, 2022

用于加密流量分类和未知数据检测的深度学习

PDF
TL;DR该论文提出了一种新的基于深度神经网络（DNN）的用户活动检测框架，用于从嗅探的加密互联网流量中识别移动应用程序中执行的细粒度用户活动（称为应用内活动）。 该框架使用基于时间窗口的方法将活动的流量分成片段，因此只需观察与活动相关的流量的一小部分就可以识别应用内活动。此框架的准确性为 90％或以上，用于识别已经训练好的应用内活动，并在识别以前未经训练的应用内活动流量（即未知数据）时具有平均准确性 79％。
encryptionmobile devicedeep neural network (dnn)user activity detectionin-app activities
发现论文，激发创造
  • 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

  • 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

  • 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

  • 通过加密网络流量分析实现强大的智能手机应用识别

    本研究探讨了如何通过网络数据流量指纹识别智能手机应用程序，即使使用 SSL/TLS 进行加密传输也不能防范，此外研究还提出了策略来识别和减轻广告流量等通用流量的影响。通过实施一个框架来指纹识别应用程序，并对其性能进行全面实验，研究成功指纹识别了 110 个最受欢迎的谷歌应用商店应用程序，并能在 6 个月后以高达 96％ 的准确率进行再识别。

    Apr, 2017

  • 利用深度神经网络进行恶意软件分类：性能评估与边缘设备应用

    利用深度神经网络（DNNs）对恶意软件进行分类的有效性和性能进行评估，结果表明在不同类型的恶意软件上，DNNs 能够准确分类且具有较高的准确率，且通过优化模型架构和利用边缘计算能力，这些 DNN 模型在资源受限场景下实现了高效性能，为提前检测恶意软件、防止攻击的不良影响做出了重要贡献。还讨论了将安全任务分配给边缘设备的最佳考虑，以确保大规模 IoT 系统在恶意软件攻击时不会受损，倡导更加弹性和安全的数字生态系统。

    Aug, 2023

  • 加密恶意流量检测的机器学习方法、数据集及比较研究

    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。

    Mar, 2022

  • 基于深度学习的结构化网络安全数据流非监督式内部威胁检测

    提出了一种基于无监督深度学习的在线异常检测方法，通过分解异常得分，帮助分析员识别潜在的内部威胁活动，实现了减轻分析员负担的目标。在 CERT Insider Threat Dataset v6.2 上的表现证明，该方法可以显著提高威胁检测的召回率。

    Oct, 2017

  • 基于深度学习的物联网网络流量分析

    使用深度学习算法和无监督学习技术来监测和检测 IoT 网络中的异常，并在 KDD Cup 99 数据集上实施了一个模型，实验结果展示了异常检测模型的出色性能，达到了超过 98% 的准确率。

    Feb, 2024

  • 海量 IoT 网络中无授权 NOMA 的活动检测

    研究了无授权传输范例在物联网网络上的应用，并通过深度学习方法的卷积神经网络实现设备的活动检测，以优化传输性能。

    Dec, 2022

  • 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