real time robust malicious traffic detection via frequency domain analysis记录一下

现有的机器学习的模型准确度太低，并且吞吐量太低。不能满足高吞吐量的实时网络。且可以被复杂攻击轻松的绕过。

realtime 中文分析

ABSTRACT

对于0-day攻击检测，ML（machine learning）是对基于现有探测规则的很好的补充。但是目前的基于ML的探测规则，准确率和吞吐量太低，因为目前的流量特征提取效率太低了。
同样，ML探测和基于现有规则的探测一样，可以轻松的被复杂攻击所绕过。
whisper利用了频域特征，提高了准确率同时也支持高吞吐量。
whisper利用了由频域特征所表现出的序列特征确保边界信息损失，同时也确保了高准确率和高吞吐量。
更重要的一点是，基于频域特征的数据是很难被攻击者所干扰的。以此保证了whisper的鲁棒性。

INTRODUCTION

传统的恶意流量检测是基于已经配置好的特征库来分析流量的。但是这种方法在面对0-day攻击的时候往往束手无策。
这时候，ML恶意流量检测的提出解决了0-day问题。但仍存在一个问题，由于机器学习算法的处理开销太大，导致ML的检测准确率和吞吐量都不高。
所以目前大部分ML检测都是离线的，不能解决实时问题。
而且攻击者经常使用良性app所产生的噪声包来干扰检测。

whisper为了解决以上问题而提出。通过频域分析，提取网络流量的序列特征，这样提取的特征信息损失低。也能有效的表示低特征冗余数据包的排序模式。以此

• low information loss 保证了准确率和鲁棒性
• low feature r