基于层次化流量特征识别的图神经网络在车联网中用于加密流量分类
《Knowledge-Based Systems》:Hierarchical traffic fingerprint-assisted Graph Neural Networks for encrypted traffic classification in Internet of Vehicles
【字体:
大
中
小
】
时间:2026年04月21日
来源:Knowledge-Based Systems 7.6
编辑推荐:
针对物联网车联网(IoV)加密流量分类(ETC)中存在的适应性不足和分类精度问题,提出基于分层交通指纹(HTF)的图神经网络(GNN)方法,通过动态分割单向加密流量段(UETS)构建有向图,结合GNN的全局拓扑特征捕捉,在自建和CIC-IoT-2022数据集上达到99.81%和99.02%的精度,优于现有方法。
何亚茹|高佳琪|韩道奇|卢月明|乔尧军
信息光子学与光通信国家重点实验室,北京邮电大学,北京,100876,中国
摘要
车联网(IoV)的快速发展显著提升了智能交通系统的连通性。然而,这一进步也带来了重大的安全风险,因为攻击者可能拦截网络流量并发起复杂的攻击。为了加强IoV的安全性,大量研究探索了加密流量分类(ETC)作为一种主动应对漏洞的方法。然而,现有的ETC方法往往难以适应复杂的IoV生态系统,从而限制了其分类准确性。为了解决这一限制,本文提出了一种基于分层流量指纹(HTF)的图神经网络(GNN)方法用于ETC。HTF将流量建模为图,以全面捕捉流量交互动态。在构建的流量图中,流内的数据包作为节点,并根据数据包方向的变化进行分段,形成单向加密流量段(UETS),其中有向边表示段内连接,双向边表示段间连接。通过采用UETS作为图构建的基本粒度并建立有向边,HTF能够有效适应多样化的网络行为并捕捉时间依赖性,从而增强构建的流量图的语义表示。这些流量图随后被输入到GNN模型中,该模型能够有效捕捉局部和全局的拓扑特征,从而提高特征表示和分类性能。所提出的方法在自收集的IoV数据集上的准确率为99.81%,在CIC-IoT-2022数据集上的准确率为99.02%,优于现有的最先进方法。
引言
随着车联网(IoV)技术的不断进步,智能联网车辆(ICVs)已从一种未来愿景发展成为汽车行业的必然趋势。ICVs的一个显著特点是它们以软件为中心的架构,包含超过1亿行代码,用于控制安全关键组件、车内娱乐(IVI)系统、电子控制单元(ECUs)和其他重要功能[1]。这一变革的核心是IoV生态系统,它整合了车内网络、车对一切(V2X)通信和基于云的基础设施,以增强智能交通系统的连通性,包括车辆、个人、道路基础设施和服务平台[2]。然而,连通性的扩展也扩大了攻击面,增加了IoV生态系统面临日益多样化的网络安全威胁的风险[3]。图1展示了IoV生态系统的关键组成部分,包括十个最脆弱的模块,如IVI系统、远程信息处理服务提供商(TSP)和空中(OTA)更新。根据Upstream Security的报告,自2019年以来,ICVs中的网络安全事件频率显著增加,截至2021年底共报告了249个常见漏洞和暴露问题[4]。
为了加强IoV的安全性,必须实施有效的对策来缓解这些网络安全威胁[5]、[6]、[7]。网络流量监控和分析[8]对于提高网络安全至关重要,其中流量分类起着关键作用。通过网络管理员根据协议、行为模式等因素对流量进行分类,可以检测异常、减轻恶意活动并优化性能[8]、[9]。诸如传输层安全(TLS)之类的加密技术在IoV生态系统中得到广泛应用[10],使用非对称和对称加密来促进安全密钥交换,确保保密性和完整性[11]。由于IoV生态系统中的网络安全仍在不断发展,缺乏有效的加密流量分类(ETC)方法阻碍了网络管理,并使生态系统暴露于高级威胁之下,这突显了改进ETC技术以增强IoV生态系统的网络安全和可靠性的必要性。
然而,在复杂的IoV生态系统中,ETC面临两大挑战:(1)加密:加密掩盖了关键流量特征,使得依赖负载检查和深度数据包分析的传统流量分类方法难以有效识别流量类型;(2)分类准确性:IoV生态系统的复杂性和动态性,表现为不同网络行为之间的异构通信模式和变化的传输频率,显著降低了分类准确性。
研究人员探索了各种ETC技术来减轻加密的影响并提高分类准确性。机器学习(ML)和深度学习(DL)方法[5]、[12]已在各个领域得到广泛应用,并取得了显著的成功,尤其是DL模型,因为它们具有自动提取高维特征的能力,而无需人工干预。最近,基于图神经网络(GNN)的ETC方法被作为一种更强大的替代方案进行探索[13]、[14]、[15]、[16]、[17]。GNN是专门设计的DL架构,用于处理非欧几里得域中的数据,通过迭代消息传递和邻域聚合来捕捉节点之间的复杂结构依赖性。在此基础上,研究人员将加密流量数据转换为图结构表示,以提取全面的嵌入。与传统基于序列的模型相比,这些基于GNN的方法通过保留数据包之间的拓扑关系,显著提高了特征表示能力,使得能够提取多维结构特征。例如,胡奥等人[13]、[14]的几何深度学习技术和沈等人[18]的GraphDApp方法在捕捉流量交互模式方面表现出有效性。尽管有这些改进,现有的基于GNN的ETC方法在适应性和分类准确性方面仍存在显著限制。具体来说,它们依赖于短时间关系(2到5个数据包)[14]或固定长度序列(25个数据包)[18],这使它们无法适应高度动态的加密流量,其中流长度和到达时间波动剧烈。
为了提高适应性和分类准确性,本文提出了一种基于分层流量指纹(HTF)的GNN方法用于ETC。HTF将流量建模为图,数据包作为最小单位,单向加密流量段(UETS)作为图构建的基本粒度,流量图作为分类对象。HTF采用基于段的结构化图构建方法,根据数据包方向的变化动态分段形成UETS。构建的具有丰富语义信息的流量图随后被输入到GNN模型中,该模型擅长处理非欧几里得空间中的图结构数据。GNN通过消息传递机制和全局池化更新节点特征并获得图级表示,捕捉局部和全局的拓扑特征,从而提高特征表示和分类性能。
主要贡献如下:
- 我们提出了一种新颖的HTF辅助GNN框架,将基于段的图构建与GNN相结合,以提高复杂IoV生态系统中的分类准确性和适应性。
- 我们引入了UETS作为图构建的基本粒度,这使得可以根据数据包方向的变化进行动态分段,并消除了对固定长度序列的依赖。
- 我们设计了一种保留因果关系的图建模方法,使用有向的段内边和双向的段间边,有效捕捉复杂的交互动态并丰富流量指纹的语义信息。
- 我们在自收集的IoV数据集和公开的CIC-IoT-2022数据集上评估了所提出的方法,分别实现了99.81%和99.02%的先进准确率,同时保持了亚毫秒级的计算效率。
本文的结构如下:第2节简要回顾了文献中最相关的方法,第3节详细解释了所提出的方法。第4节描述了使用的数据集和实验设置。第5节展示了实验结果,包括HTF的最佳配置、GNN模型的调整、所提出方法的分类性能以及与现有方法的比较。最后,第6节总结了本文的工作。
相关工作
相关工作
现有的ETC方法主要在两个粒度级别对流量进行分类:由数据包级属性表征的单个数据包,以及封装了更丰富上下文信息的数据包集合。为了捕捉更深层次的语义特征,研究转向将加密流量转换为其他表示形式,如自然语言序列、图像或图结构数据。这些多模态表示形式使得能够应用多种ML和DL技术提出的方法
在本节中,我们首先正式化了与IoV生态系统相关的威胁模型。随后,我们介绍了分层流量指纹(HTF)辅助GNN框架的系统架构,该框架旨在捕捉车辆网络行为的多方面交互动态,如图2所示。所提出的方法分为三个连贯的阶段:“数据预处理”,确保输入的高保真度标准化;“HTF用于图数据集和实验设置
本节介绍了本研究中使用的两个加密流量数据集以及实验实施细节。实验结果
根据第4节,本节中展示的实验结果基于自收集的IoV数据集和CIC-IoT-2022数据集。结论
本文提出了一种HTF辅助GNN方法用于ETC,以解决现有ETC方法在多样化的IoV网络行为场景中的局限性。通过采用UETS作为图构建的基本粒度,所提出的方法能够有效适应各种流量行为,并通过有向边捕捉时间依赖性。这种设计增强了流量图的语义信息,提高了特征表示。结合GNN进一步CRediT作者贡献声明
何亚茹:软件、方法论、概念化。高佳琪:撰写——原始草稿、调查、数据管理。韩道奇:监督、资源提供。卢月明:可视化、验证。乔尧军:撰写——审稿与编辑、项目管理。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。致谢
本工作得到了中国国家重点研发计划
(2022YFB3104900)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号