利用深度学习技术提升网络流量中恶意软件的检测与分类能力

《Journal of Forensic Sciences》：Enhancing malware detection and classification in network traffic using deep learning techniques

恶意软件检测与分类研究提出基于深度学习的多技术融合方案，包括熵基流量过滤ETF、自监督学习SSLAD和图神经网络GNN-MTC，结合上下文感知图注意力网络CA-GAT，实现98%检测准确率，优于DeepMAL和Huang等方法，适用于实时网络安防。

　　

摘要

在网络流量中检测和分类恶意软件是网络安全领域的一个关键挑战，因为威胁不断演变，传统方法难以应对。随着网络流量的复杂性增加，准确识别恶意活动同时尽量减少误报对于实时监控系统至关重要。本研究旨在利用深度学习（DL）技术提升恶意软件检测能力，重点提高检测精度、减少误报，并实现动态网络环境中的实时检测。文中介绍了几种先进的DL技术来应对这些挑战。基于熵的流量过滤（ETF）通过测量网络流量的随机性来识别异常和恶意模式，从而减少噪声并改善特征提取。无标签数据下的异常检测自监督学习（SSLAD）通过学习正常流量模式并识别异常来检测恶意软件，从而提高对未知威胁的检测能力。用于恶意软件流量分类的图神经网络（GNN-MTC）将网络流量视为图结构，其中设备表示节点，通信表示边，捕捉关系依赖性和异常，以检测如僵尸网络和命令与控制（C2）通信等复杂攻击模式。基于上下文的图注意力网络（CA-GAT）通过将流量作为图进行分析，并结合时间和行为等上下文因素，进一步强化检测能力，重点关注相关交互以提升攻击检测效果。所提出的DL模型准确率达到98%，优于DeepMAL（95%）和黄等人提出的基于熵的方法（97.3%）。其出色的精确度和召回率表明该模型在检测已知和新型恶意软件方面表现优异，非常适合实时网络安全应用。该模型使用Python实现。未来的研究可以关注集成实时自适应学习模型、探索混合DL架构以及提升跨平台恶意软件检测能力，确保在不断变化的网络安全环境中具备可扩展性和鲁棒性。

利益冲突声明

作者声明没有利益冲突。