MTD-CDA:一种基于概念漂移适应的新型恶意流量检测方法
《Expert Systems with Applications》:MTD-CDA: A Novel Malicious Traffic Detection Method Based on Concept Drift Adaptation
【字体:
大
中
小
】
时间:2026年03月26日
来源:Expert Systems with Applications 9.4
编辑推荐:
蔡赛华|赵一戈|唐涵|王胜然|贾希恒|张国峰 江苏大学计算机科学与通信工程学院,中国江苏省镇江市学府路301号,212013 摘要 随着各类网络应用的日益增多,现代网络流量呈现出越来越复杂的结构特征和较高的波动性,这给恶意流量检测带来了巨大挑战。流量分布和攻击行为会随时间发生变化
蔡赛华|赵一戈|唐涵|王胜然|贾希恒|张国峰 江苏大学计算机科学与通信工程学院,中国江苏省镇江市学府路301号,212013 摘要 随着各类网络应用的日益增多,现代网络流量呈现出越来越复杂的结构特征和较高的波动性,这给恶意流量检测带来了巨大挑战。流量分布和攻击行为会随时间发生变化,从而导致概念漂移,进而影响检测精度。现有的方法通常通过预设标签或后续的错误波动来识别漂移,这种依赖性限制了它们及时发现概念漂移并保持稳定性能的能力,尤其是在复杂多变的环境中。为解决这些问题,我们提出了基于概念漂移适应的恶意流量检测模型MTD-CDA。该方法首先运用Gumbel–Softmax机制实现可微特征选择,保留重要的流量属性;接着利用图神经网络建模流量数据中的拓扑依赖关系,更精准地识别概念漂移带来的模式变化;随后整合基于分布的漂移检测模块与时间窗口增量学习策略,以实现动态模型优化和持续适配;最后,利用优化后的图表示高精度地识别恶意行为。大量实验表明,MTD-CDA的性能优于五种现有的基于概念漂移适应的恶意流量检测方法,其平均准确率提升了2.16%,真正阳性率提高了2.41%,且在不断变化的环境中仍能保持稳定的检测性能。引言 随着互联网技术的快速发展以及网络应用的不断扩展,网络流量的规模和复杂性都在不断增加,呈现出高维度、多源异构以及强烈的时间动态特性。作为网络攻击的主要载体,流量分析在识别恶意行为和保护网络空间方面发挥着至关重要的作用。高效准确的恶意流量检测是现代网络安全系统的基础。然而,随着攻击手段的日益多样化和复杂化,网络流量具有复杂的动态特征,这使得在海量且不断变化的流量中准确检测隐藏的恶意活动成为一大难题。早期的恶意流量检测方法可分为基于端口的(Blaise, Bouet, Conan, & Secci, 2020)、基于有效载荷的(Umer, Sher, & Bi, 2017)以及基于主机行为的(Chen, Simsek, Kantarci, Bagheri, & Djukic, 2024b)方法。尽管这些方法在静态环境中表现尚可,但在加密通信、端口混淆以及不断演变的攻击策略等现代环境下,其检测精度会显著下降。为克服这些限制,人们开始引入基于机器学习的检测模型(Diallo, Patras, 2024, Lin, Pike, Bailey, Bastian, 2024, Talukder, Sharmin, Uddin, Islam, Aryal, 2024)。这类模型对高维复杂流量特征具有更强的适应性。不过,它们仍然依赖于手工特征工程和静态训练集,其核心缺陷在于特征提取严重依赖专家经验,难以捕捉到隐含的多样化流量模式。为解决这些问题,深度学习因其自动特征提取和端到端建模能力而成为主流解决方案。例如,韩等人(2025)提出了一种深度学习方法,利用CB-ResNet和多注意力机制自动提取并融合深度字节级特征,该方法通过从原始数据中全面学习流量表示,有效解决了手工特征工程的局限性。但它是在静态数据集上训练的,且假设数据分布是稳定的,这限制了它适应不断变化的现实环境的能力,也降低了其在长期部署中的稳定性。为应对恶意流量的动态特性,近期研究开始关注概念漂移检测与适应。概念漂移指的是数据分布或标签关系随时间发生的变化,会导致模型性能下降。与静态模型相比,概念漂移适应方法能够在模型部署后跟踪分布变化,并相应更新检测策略。现有的漂移检测方法大致可分为基于错误率的、基于分布的以及混合方法(Seth, Chahal, & Singh, 2024)。基于错误率的方法(Cai et al., 2024b)通过监测在线分类错误,在出现统计学上显著的波动时发出漂移警报。例如,CDDA-MD(Cai, Tang, Chen, Hu, & Guo, 2025a)将漂移检测与增量学习相结合,通过跟踪分类器错误率来识别漂移并实现模型的自适应更新。不过,这类方法容易受到噪声和短期异常的影响,常常导致检测延迟或误报。此外,它们还无法捕捉流量样本之间的相关特征和上下文关系,从而限制了检测的准确性和泛化能力。基于分布的概念漂移检测则通过使用距离度量或统计指标来量化历史流量与新流量之间的分布差异,从而缓解了这些问题(Luo et al., 2024)。这类方法不依赖标签质量,对噪声和稀疏标注的鲁棒性更高,能够更早地检测到不断变化的流量模式,因此非常适合噪声较大或标注不全的环境(Wang, Yu, Jin, Davies, & Woo, 2024)。然而,现有方法通常只关注单一特征的变化,忽视了网络流量中特征之间的依赖关系和相关性。此外,传统的分布度量主要依赖于全局或浅层的统计特征,无法建模网络流量中复杂的结构关系,这使得难以捕捉到细粒度的局部模式变化,进而降低了漂移检测的准确性。图神经网络(GNNs)近年来展现出强大的能力,可通过建模动态图关系来捕捉分布结构。GNNs能够表示节点和边之间的内在依赖关系以及更高阶的语义,从而为不断变化的流量模式提供更丰富的表征方式。研究目标:本研究旨在利用图神经网络在建模网络流量中细粒度的局部结构模式及复杂关系依赖方面的优势,开发一种基于GNN的恶意流量检测模型。该模型无需依赖明确的概念漂移标签,即可通过捕捉大规模流量特征中的分布变化来检测并适应概念漂移,从而减轻概念漂移对检测性能的负面影响。此外,在检测到漂移后,该模型还引入了子图重建机制,动态更新局部图结构,使模型在快速适应不断变化的网络环境的同时,保持全局结构的连贯性,进而提升恶意流量检测的稳定性和可靠性。为实现这一研究目标,我们提出了MTD-CDA,这是一种具备概念漂移感知能力的恶意流量检测模型,它整合了数据预处理、概念漂移检测与适应以及恶意流量检测功能。具体而言,原始网络流量首先被转换为特征表示,并分割成滑动窗口,以便捕捉随时间变化的动态分布变化。MTD-CDA通过使用与标签无关的统计检验持续监测相邻窗口之间的分布变化,从而无需依赖明确的漂移标签即可及时检测到概念漂移。一旦检测到漂移,就会利用那些存在分布变化的网络流量样本构建动态特征图,其中节点关系通过余弦相似度进行编码,并通过基于Gumbel-Softmax的机制进行离散化,从而生成一个稀疏且可微分的图结构。随后,利用具有拓扑感知能力的GNN来捕捉流量样本之间的细粒度依赖关系和更高阶的交互作用,从而实现精准的恶意流量检测。为适应不断变化的流量模式,同时避免耗时的完全重新训练,MTD-CDA通过在正则化学习目标的指导下,重建并将由漂移引发的子图与历史图结构整合起来,从而实现模型的逐步更新。这样的设计使得模型能够保留已积累的知识,避免灾难性遗忘,持续适应非平稳的网络环境,从而在概念漂移存在的情况下实现稳定可靠的检测性能。实验目标:为验证所提出的MTD-CDA模型的有效性,我们提出了四个研究问题,并通过全面的评估来考察其在动态网络环境中的检测精度和适应性。1. RQ1:概念漂移适应能否提升恶意流量检测的性能?2. RQ2:MTD-CDA的性能是否优于现有的基于概念漂移适应的恶意流量检测方法?3. RQ3:与现有的基于概念漂移适应的恶意流量检测方法相比,MTD-CDA能否提供更稳定的检测性能?4. Gumbel-Softmax机制、漂移检测与适应机制以及ELU激活函数这三类核心组件是否对性能提升有显著贡献?本文的创新点与贡献如下:1. 无需漂移标签的MTD-CDA模型。为了解决动态网络环境中因概念漂移导致的性能下降问题,我们提出了无需漂移标签的恶意流量检测模型MTD-CDA。与那些依赖不可用的漂移标签或性能下降信号的传统方法不同,我们设计了基于分布的概念漂移检测与适应(CDDA)机制。通过监测流量特征中的分布变化,并运用Kolmogorov-Smirnov检验来量化相邻滑动窗口之间的差异,CDDA使得MTD-CDA无需依赖真实的漂移标签,就能灵活适应不断变化的流量模式。2. 可微分的拓扑感知图建模。为避免直接对相似度矩阵进行二值化处理所带来的信息损失,我们将余弦相似度与Gumbel-Softmax机制相结合,既保留了流量样本之间的结构依赖关系,又实现了端到端的可微分图生成。在此基础上,我们为恶意流量检测设计了一种具有拓扑感知能力的GNN,该GNN能够通过图拓扑和节点关系学习复杂的非线性依赖关系和长距离交互作用,从而弥补了现有模型在捕捉内在特征关联和拓扑关系方面的不足。此外,该模型还用ELU替代了ReLU激活函数,以实现更平滑的非线性变换,避免死神经元问题,进而提升检测精度。3. 基于分布的概念漂移检测。为无需漂移标签就能及时识别不断变化的流量模式,我们设计了一种基于分布的概念漂移检测机制。该机制通过将数据划分为滑动窗口来监测流量特征中的分布变化,并运用Kolmogorov-Smirnov(K-S)检验来量化当前流量分布与历史流量分布之间的差异,从而依据特征分布的变化而非滞后的性能下降来有效检测概念漂移。4. 拓扑自适应的概念漂移适应。为有效应对检测到的漂移,我们引入了一种拓扑自适应的概念漂移适应机制。在检测到漂移后,基于Gumbel-Softmax的生成器会动态地为受影响的样本重建局部子图,使其与新分布相匹配。随后,该模型通过增量学习进行适应,更新具有拓扑感知能力的GNN,将新的结构模式纳入其中,同时保留历史知识,从而在非平稳环境中保持持续的检测稳定性。5. 全面的实验评估。我们在三个网络流量数据集上进行了大量实验,以评估所提出的MTD-CDA的效果。实验结果表明,与六种现有的基于概念漂移适应的恶意流量检测方法相比,MTD-CDA在检测精度和稳定性方面均表现更为出色,证明了其在复杂且非平稳的网络环境中的强大适应性。本文的其余部分结构如下:第2节回顾了恶意流量检测和概念漂移检测领域的现有研究;第3节详细介绍了所提出的MTD-CDA模型;第4节阐述了实验设置,包括数据集、评估指标以及基准方法;第5节分析了实验结果,并探讨了MTD-CDA的优缺点;第6节对全文进行总结,并指出未来的研究方向。相关研究 本节回顾了该领域现有的恶意流量检测方法和概念漂移检测方法。方法论 本节首先介绍了我们基于概念漂移适应的恶意流量检测方法MTD-CDA的整体框架,然后详细阐述其核心组成部分。实验设置 为评估MTD-CDA的有效性,我们在三个网络流量数据集上进行了大量实验,并使用四种评估指标将实验结果与五种现有的先进基准方法进行了比较。实验结果与分析 为实现第1节中提出的实验目标,我们开展了大量实验,以回答四个研究问题。每个实验重复30次,最终报告平均结果。结论与未来工作 高效准确的恶意流量检测对于识别现代网络环境中的攻击行为以及加强网络安全至关重要。然而,现有的方法往往在面对概念漂移时无法保持稳定性,从而导致性能大幅下降。尽管以往的研究已经引入了漂移检测和适应机制来缓解这一问题,但许多方法仍以性能下降作为漂移的指示指标,这就导致了漂移识别的延迟。此外,他们的……CRediT作者贡献声明 蔡赛华:研究设计、方法论、数据整理、验证、资金获取、论文初稿撰写。赵一戈:研究设计、方法论、验证、论文初稿撰写。唐涵:数据整理、验证、论文审阅与编辑。王胜然:数据整理、论文审阅与编辑。贾希恒:研究设计、论文审阅与编辑。张国峰:研究设计、方法论、资金获取、论文审阅与编辑。利益冲突声明 作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。