Accurate Encrypted Malicious Traffic Identification via Traffic Interaction Pattern Using Graph Convolutional Network

doi:10.3390/app13031483

Accurate Encrypted Malicious Traffic Identification via Traffic Interaction Pattern Using Graph Convolutional Network

2023-01-23

0

OA

AI

DOI：10.3390/app13031483

原文链接

原文求助

摘要

En 中文

在后疫情时代，远程办公和远程学习已逐渐成为主流生活方式。大量终端的广泛互联为攻击者提供了更多机会，给网络流量安全分析带来了更严峻的挑战。现有攻击通常采用加密技术和分布式攻击方法，增加了攻击的数量和复杂性。然而，传统方法需要更多分析加密恶意流量的交互模式，且无法在宏观和综合层面探索交互模式间的潜在相关性。此外，攻击导致的交互模式变化也需要进一步研究。因此，为实现攻击的准确有效识别，全面描述恶意流量的交互模式并刻画攻击出现时的交互模式关系至关重要。我们提出了一种基于流量交互属性图（G-TIAG）的攻击分类方法。首先，G-TIAG研究流量交互模式，描述图的构建规则，并选择每张图中节点的属性特征。然后，该方法采用结合GRU和自注意力机制的卷积图网络对良性数据和不同攻击进行分类。在公开数据集上，我们的方法取得了最佳分类结果，准确率和F1-Score均达到89%，召回率达到88%。与传统机器学习分类结果相比，改进约7%；与深度学习分类结果相比，改进约6%，最终成功实现了攻击分类。

Accurate Encrypted Malicious Traffic Identification via Traffic Interaction Pattern Using Graph Convolutional Network

摘要

期刊

机构

引用论文