原文作者:Chuanpu Fu, Qi Li, Meng Shen, Ke Xu原文标题:Realtime Robust Malicious Traffic Detectionvia Frequency Domain Analysis原文链接:https://arxiv.org/pdf/2106.14707.pdf笔记作者:nerd@SecQuan文章小编:cherry@SecQuan
简介
该文为发表于CCS 2021的Realtime Robust Malicious Traffic Detectionvia Frequency Domain Analysis。目前基于机器学习的恶意流量检测能够较为有效的检测0-day攻击流量,因此,它常用于补强基于规则的检测。然而,由于流量特征提取效率低下等原因,基于机器学习的方法无法在高吞吐量的网络中实现攻击实时检测。在本篇论文中,作者提出了一种基于频域特征的攻击流量检测系统Whisper,实现了高精度、高吞吐量、抗攻击的恶意流量检测。
方法
如下图所示,作者提出的检测系统Whisper主要包含三大模块:频域特征抽取、参数自动选择和聚类分析。其中,频域特征抽取模块从每个数据包的特征序列中提取频域特征。该模块以固定的时间间隔定期轮询来自数据包的信息。获取提取的每包特征后,先使用线性变换对特征进行降维,再使用离散傅里叶变换和对数变换和将每包特征序列编码为向量输入聚类分析模块。为了有效的进行降维操作,因此进一步设计了参数自动选择模块。该模块用于选择数据包的特征,并获取流量的向量表示。作者将编码向量选择问题表述为一个有约束的优化问题,并将原始问题转化为等价的SMT问题:通过求解SMT来逼近原问题的最优解。简单来说,求解SMT问题就是试图找到一组连续函数来描述包流量特征的变化,然后找到一个向量对其进行放大和叠加,要求这个向量在叠加函数时最大限度地减少相互干扰并能够限制整体范围。最后,聚类分析模块从频域特征中进行学习,作者仅使用良性流量进行训练,并采用一个定长的采样窗口分割频域特征矩阵以减少误报。最终在预测阶段,若样本预测结果离聚类中心的距离明显大于训练损失,则会被认为是恶意流量。
实验
作者主要针对模型的准确率和鲁棒性进行检测,如下表所示,Whisper在大部分数据集的测试中都能取得最好的成绩,并且不会出现超时或正确率过低的情况(表中的'/'和'-'标记)。
对于鲁棒性,作者假设攻击者是在原始恶意流量的基础上掺入不同比例的正常流量(1:1-1:8)尝试逃逸恶意流量检测。如下表结果表明,在攻击者通过混淆恶意流量尝试逃逸恶意流量检测的情况下,Whisper取得最佳的效果,证明基于频域特征的Whisper能够抵抗这种类型的逃逸攻击。
最后,作者也对系统的性能进行测试:在四个数据集中Whisper的检测延迟在0.047到0.133秒之间,证明Whisper可以进行实时的流量检测。
综上所述,相较于过去工作中基于规则、包数据、流数据的各类检测方法,Whisper具有一定优势:高准确率、高鲁棒性、实时监测、高吞吐量、不区分具体任务。
安全学术圈招募队友-ing, 有兴趣加入学术圈的请联系secdr#qq.com