40、基于多模态深度学习的加密恶意软件流量检测

基于多模态深度学习的加密恶意软件流量检测

1. 引言

在网络空间安全领域，加密恶意软件流量的检测是一项极具挑战性的任务。恶意软件，如病毒、僵尸网络、特洛伊木马等，会对互联网用户的财产和隐私造成严重损害。随着加密技术的广泛应用，恶意软件利用传输层安全（TLS）协议来隐藏其恶意意图，这使得检测恶意软件流量变得更加困难。

为了应对这一挑战，研究人员采用了机器学习（ML）和深度学习（DL）算法。基于ML的检测方法需要人工设计统计特征并选择合适的模型，这种方法依赖领域专家的经验，且无法保证最佳的分类性能。近年来，DL技术逐渐兴起，它能够将特征设计和模型训练结合在一个端到端的模型中，自动学习复杂的特征表示。然而，现有的基于DL的检测方法大多只使用单一模态的加密流量数据，忽略了流量数据的异构性，导致检测性能的提升有限。

本文提出了一种多模态加密恶意软件流量检测方法（MEMTD），该方法联合提取TLS握手有效载荷字节（HPBs）、数据包长度序列（PLS）和数据包到达时间间隔序列（PAIS）三种模态的数据特征，并采用中间融合机制来挖掘模态之间的依赖关系，提高检测性能。

1.1 研究背景

• 恶意软件威胁 ：恶意软件种类繁多，包括病毒、僵尸网络、特洛伊木马等，它们通过网络传播，对互联网用户的财产和隐私造成了严重的损害。
• 加密技术的挑战 ：随着加密技术的广泛应用，恶意软件利用TLS协议来隐藏其恶意意图，使得传统的流量检测方法难以有效识别恶意软件流量。
• 现有检测方法的局限性 ：基于ML的检测