← 返回列表

IntraSpanNet:利用探针+内网流量分析模型被动探测内网及终端安全设备

单站 Security丨Art 发布 Thu, 29 Oct 2026 08:00:00 +0800 入库 2026-11-18T15:10:20

原创 侠盗鲁平 2026-10-29 08:00 北京

不主动发包,只看探针里已经存在的流量。

IntraSpanNet 从一条流的前 5 个包,判断它是哪个安全设备、哪个终端 Agent、哪款常用软件发出的。

Apache-2.0 · PyTorch · 单臂 2.86M 参数 · 四臂集成 11.44M · 18 类 + unknown

GitHub:https://github.com/lupingQAQ/IntraSpanNet

Hugging Face:https://huggingface.co/luping123/IntraSpanNet

支持纯cpu环境部署

打点最难受的时刻,往往是getshell后,刚发完内网探测,防守方的告警群里已经出现了你的源 IP。

主动扫描一定会留下痕迹。SYN 扫描、目录爆破、指纹探测、漏洞验证,每一个动作都在 NDR、WAF、EDR 的规则库里。刚进行探测,IP 就被封了,权限就被踢了,整条链路从头再来。

IntraSpanNet 试图一定程度上解决这个问题。

依赖内网流量探针被动嗅探,发现内网中已经部署的安全设备,进行定向规避和绕过

按端口和协议划分,听上去够用,但这个标签集会很快把它拆掉:

规则型指纹能从报文头判断操作系统、从载荷判断协议、从握手判断 TLS 栈;学习型设备识别能从流统计判断设备类型。但它们都不输出一个封闭集里的产品标签,也都不提供在留出会话上标定过的「拒识」选项。

输入为一条单向流,取前 5 个包,每包 320 字节,共 1600 字节。每包由 80 字节 IPv4 与传输层头、240 字节载荷组成。

IPv4 源地址与目的地址在向量离开探针之前就被置零。端口、协议号、标志位、载荷内容全部保留。

每条流的输出:

字段 含义
tier 安全设备、安全软件、正常软件
type WAF、上网行为管理、堡垒机、NDR、零信任/VPN、EDR/HIDS、杀毒、浏览器、文件传输、远程管理
product 18 个产品标签之一,或 unknown
distance 到最近类原型的余弦距离
confidence 四个分类臂的平均 softmax 概率
topk 概率最高的三个产品

一个真实记录长这样:

{
"product": "wazuh_agent",
"display": "Wazuh agent",
"tier": "安全软件",
"type": "EDR / HIDS",
"unknown": false,
"distance": 0.0104,
"confidence": 0.9991,
"class_id": 6,
"topk": [
    {"product": "wazuh_agent", "display": "Wazuh agent", "probability": 0.9991},
    {"product": "osquery", "display": "osquery", "probability": 0.0006},
    {"product": "velociraptor", "display": "Velociraptor", "probability": 0.0002}
  ]
}

每个类在训练嵌入上用 KMeans 生成三个子原型,18 个类一共 54 行原型。对一条流的特征 f 和类 c 的原型集 P_c:

d(f) = 1 − max cos(f, p),  p ∈ P_c
两条门控臂的距离取平均,超过阈值 τ = 0.1041 就返回 unknown。τ 取开发集距离的 68 分位,只在 dev 半折上标定,没有在 test 上调过。

关键在于:训练过程不需要任何未知类样本。

这一点很重要——一个网络里「没装哪些产品」,事先根本枚举不出来。而 softmax 置信度是糟糕的边界估计,到类原型的距离才是可标定的替代方案。

阈值属于流量,不属于模型。 换一个站点、换一批软件版本,τ 必须重新标定。

握手包暴露产品特征。

这 18 个产品都会在前 5 个报文里露出更新请求、证书、固定头部或版本串;第 6 个报文之后承载的是用户的载荷,属于用户,而不属于产品。

短包补零,短流补零,超出就截断。不足 5 个包的流同样补零。以太网、VLAN、裸 IPv4 三种封装都接受,解析不在热路径上——探针在流的第 5 个报文到达时就交出了向量。

1600 bytes
  → ByteEmbed (256)
  → [bytes, CLS] + 位置编码
  → 4 × GDN Block (d_model=256, d_state=16)
  → CLS 特征 (256)
  → 产品头(18) / 类型头(10) / 大类头(3) / 恶意头(11)

两个难负样本臂(A-HN、B-HN)AUROC 更高,但阈值一动,门控距离就漂移,因此按稳定性而非准确率剔除。

阶段 数据 目标
1. 对比预训练 33,184 条仅训练流 NT-Xent / SimCLR
2. 多任务 SFT 产品、基准、恶意训练流 产品、类型、大类、恶意、域对抗
3. RL 微调 训练 split,奖励塑形 产品正确、类型正确、诚实拒识

标注集共 40,283 条流、18 个类别,验证集 1,006 条来自 14 个留出会话。训练用 4 张 RTX 4090,发布检查点为最终四臂。

第 2、3 阶段以稳定 API 发布,可以拿自己的抓包继续训练:

接口 作用
SFTConfig 监督阶段的各项损失权重
compute_sft_loss 多任务监督损失,返回每个分项与 total
RLConfig REINFORCE 阶段的奖励权重
compute_rl_loss 带滑动均值基线的 REINFORCE 目标
Trainer 每次调用走一步优化,两个阶段通用
load_backbone 从已发布臂热启动,自动适配改过尺寸的产品头
指标 test(503 流) 全验证集(1006 流)
产品准确率 0.8787 0.8817
大类准确率 0.9245 0.9334
Macro-F1(有支撑类) 0.7621 0.8240
门控 AUROC 0.9784 0.9820(dev)

产品准确率的 Wilson 区间为 ±0.029。test 半折的 Macro-F1 被只有一两条样本的类拉低(wireguard 只有一条测试流),全验证集的 0.8240 是更稳定的参照。

其他结果:

42 KB 单文件 C 探针。 旁路收流,第 5 个报文到达即输出 1600 字节向量

CLI。 直接对一个 pcap 做分类,打印表格,--json 输出每流一条记录。

HTTP 服务。POST / 接收一个或多个 1620 字节的 FLW1 记录,返回 JSON 数组。

Few-shot 注册。 遇到标签集外的产品,注册 3 个子原型即可,不需要重新训练。smb 就是这样从 0 到了 8/8。

吞吐与显存(单张 RTX 4090,fp32):

配置 吞吐 batch 1 延迟 batch 128 峰值显存
单臂 1017 flows/s 10.7 ms 3.37 GB
四臂集成 253 flows/s 43.1 ms 3.40 GB
蒸馏学生 1011 flows/s 10.6 ms 3.37 GB

探针的采集速度高于集成 253 flows/s 的分类速度,所以部署上只有三条路:抽样、分片到多卡,或者按需分类。8 GB 卡在 batch 128 下仍有富余。

git clone 
cd IntraSpanNet
python -m venv .venv
source .venv/bin/activate
pip install -e .            # 默认即可在 CPU 上跑
pip install -e ".[gpu]"# 加上 flash-linear-attention 走 Triton 快路径

https://github.com/lupingQAQ/IntraSpanNet.git
也可以直接 pip install intraspannet,权重仍从 Hugging Face 下载:

huggingface-cli download luping123/IntraSpanNet --local-dir weights/intraspannet
分类一个抓包:

python -m intraspannet.cli classify \
  --pcap sample.pcap \
  --weights-dir weights/intraspannet \
  --json results.json

加 --device cpu 强制走 CPU;只想快速看一眼输出,再加 --arms a_s0 --gate a_s0 用单臂。

服务模式:

python -m intraspannet.cli serve --weights-dir weights/intraspannet --port 9012
CPU 路径是纯 PyTorch 的 GDN 移植,单臂约 2 秒一条流,四臂约 10 秒一条流。

只在有授权的安全评估、攻防演练与资产管理环境中运行。

链接

代码与权重 Apache-2.0,文档 CC-BY-4.0。

引用

@software{luping2026intraspannet,
  author = {luping},
  title  = {IntraSpanNet: 不主动扫描识别内网安全设备、终端安全产品与常用软件},
  year   = {2026},
  doi    = {10.5281/zenodo.23643146},
  url    = {
  note   = {模型:
}

https://github.com/lupingQAQ/IntraSpanNet},https://huggingface.co/luping123/IntraSpanNet}

原文链接:https://mp.weixin.qq.com/s?__biz=MzUyOTI5MTM4OQ==&mid=2247484159&idx=1&sn=0b1edeeb207720e55f49d97263edded9