加密流量检测方法分类法
3.1. 检测范式概述
所综述的技术被组织为三个方向:基于机器学习的(包括经典和深度学习)、统计/基于规则的、以及行为/流级别的。它们在特征依赖性、可解释性、部署要求和恢复降低可见性的能力方面有所不同。
3.2. 基于机器学习的方法
3.2.1. 基于特征的方法
基于特征的方法训练经典分类器,包括决策树、随机森林、支持向量机和梯度提升模型,使用工程化的时序、大小、持续时间、包计数、字节计数和方向特征。随机投票分类器由多个决策树预测聚合而成,体现了特征聚合机制。
3.2.2. 表示学习模型
表示学习方法使用卷积神经网络(CNNs)、循环神经网络(RNNs)、图神经网络和Transformer从原始包字节、时间序列特征和图结构流量输入中学习流量表示。这些模型可以减少手动特征工程并捕获复杂的包和流序列关系,但它们在数据、预处理、计算和解释性方面的要求因架构和输入表示而异。
3.2.3. 优势与局限性
基于机器学习的方法通过工程特征或学习表示支持自动加密流量分类,但其在TLS 1.3和ECH下的恢复能力强烈取决于这些表示编码的信息。合并SNI、证书、密码套件、应用层协议协商(Application-Layer Protocol Negotiation, ALPN)、TLS指纹或其他握手衍生元数据的方法可能随着协议可见性降低而失去部分证据。
3.3. 统计与基于规则的方法
统计和基于规则的方法使用显式度量、基线和决策标准分析加密流量。Cunha等人应用Kullback–Leibler散度和欧几里得距离到每流包大小的相对频率分布。Fu等人提出了Whisper,一种实时恶意流量检测系统,它使用离散傅里叶变换(DFT)将每包特征序列转换为频域表示,并应用轻量级统计聚类进行检测。
3.3.1. 基于阈值的检测
基于阈值的技术将流量统计或异常分数与预定义或自适应阈值进行比较。其显式决策标准支持可解释性,但性能取决于阈值选择以及基线对受监控环境的代表程度。
3.3.2. 熵与方差度量
熵和方差度量量化可观察流量属性的随机性和变异性。香农熵是离散流量特征分布的常见表示。熵度量可以表征这些分布,尽管规则或低变异性行为并非恶意流量所独有。
3.3.3. 优势与约束
统计和基于规则的方法使用包和流级别测量提供显式且相对可检查的决策标准,无需有效载荷解密。然而,单个度量如熵、方差或分布距离通常不足以作为通用指标,因为类似统计行为可能出现在良性流量中,并可能跨环境变化。
3.4. 行为与流级别方法
行为和流级别方法使用可观察的时序、方向、流持续时间、包计数、流量和交互序列特征对通信动态建模,而非有效载荷内容或隐藏的握手字段。CBSeq结合了客户端发送包计数、流间到达时间、源和目的端口、流持续时间、流计数和方向流量体积到通道级别行为序列中。
3.4.1. 时间行为建模
时间行为建模检查通信规律性如何跨包、流和重复连接演变。时间规律性不是C2流量所特有,并且可能随应用行为、网络条件或故意修改可观察流特征而变化。
3.4.2. 流动态与通信模式
流级别分析通过建模端点关系和连接序列(包括连接顺序、重复的主机-服务器交互、流持续时间、包和字节计数以及方向流量体积)超越了孤立流。
3.4.3. 降低可见性下的适用性
行为和流级别方法可以减少对隐藏协议元数据的依赖,因为包时序、包大小、方向、流持续时间和通信序列对被动观察仍然可访问。然而,其适用性取决于特征,并且需要专门的TLS 1.3、原生ECH、跨环境和对抗性评估。
3.5. 方法的比较分析
三种加密流量检测方向在特征依赖性、TLS 1.3和ECH约束下的适用性、操作优势和局限性方面进行了比较。恢复降低可见性主要取决于所使用的证据而非分析范式。