APP下载

基于Stacking 的网络恶意加密流量识别方法*

2022-08-23王天棋丁要军

通信技术 2022年7期
关键词:特征模型

王天棋,丁要军

(甘肃政法大学,甘肃 兰州 730070)

0 引言

在安全和隐私保护需求的驱动下,加密流量在网络中占据了越来越重要的地位。根据谷歌在2020 年发布的透明度报告,已经有80%的安卓应用程序默认使用传输层安全协议(Transport Layer Security,TLS)加密所有流量[1]。根据CISCO 2019年的报告,使用加密来隐藏远程控制以及数据泄露等恶意行为的恶意软件占比超过70%,使用加密通信的恶意软件几乎覆盖了所有常见类型[2]。因此,高效识别TLS 恶意加密流量有重要的现实意义。

目前,已经有国内外研究人员对网络恶意加密流量进行了研究,并且取得了一定的成就。Canard等人[3]提出了对加密流量进行深度包检测(Deep Packet Inspection,DPI)而无需解密的技术,但在设置阶段需要大量的计算和较长的检测时间。Torroledo 等人[4]通过考虑TLS 协议中的证书,利用证书内容对恶意流量进行识别,但是此方法对无证书传递的加密会话恶意性检测无效。Anderson 等人[5]提出了一种TLS 指纹识别系统,该系统利用目标地址、端口和服务器名精心构造了指纹串。但是,Matoušek 等人[6]发现以取证为目的创建唯一且稳定的TLS 指纹并不容易,恶意用户可以通过恶意行为改变TLS 版本、密码套件等信息躲避检测,因此指纹的发展受到了限制。此外,Anderson等人在文献[7]中研究利用TLS 握手阶段的可用特征来识别加密恶意流量,但缺乏对握手阶段外的特征考虑,且只使用了逻辑回归分类器进行验证。

鉴于此,本文在TLS 加密流量特征分析的基础上,提出了一种基于Stacking 的网络恶意加密流量识别方法。……

登录APP查看全文

猜你喜欢

特征模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
线性代数的应用特征
一个相似模型的应用