利用混合加密技术增强网络通信安全性

《Cybernetics and Intelligence》：Enhancing Network Communication Security Using Hybrid Cryptographic Techniques

　　

网络化系统的安全需求因对能够检测入侵并在传输过程中保护数据的智能系统需求日益增长而变得愈发关键。本研究提出了一种网络安防系统，其将基于深度学习的流量信任评估与两种不同的加密保护方法相结合。该系统采用DenseNet-BiGRU架构，以捕获不同空间和时间维度上的网络流量模式，从而在数据加密前区分正常流量与恶意流量。系统使用椭圆曲线加密（Elliptic Curve Cryptography, ECC）来保障可信流量的会话建立，实现密钥交换，并采用高级加密标准（Advanced Encryption Standard, AES）进行数据加密，该加密方式所需计算资源较低。所提出的框架达到了94.5%的准确率，同时精度为88.8%，召回率为82.3%，F1分数为85.4%，马修斯相关系数（Matthews Correlation Coefficient, MCC）为0.82，这表明其在类别不平衡条件下具备检测能力。该模型展现出卓越的类别区分能力，实现了ROC-AUC为0.96和PR-AUC为0.93。加密性能分析表明，加密与解密过程时间保持极低，同时系统性能维持稳定的吞吐量，且随有效载荷增大而提升。该框架展示了在保持安全通信的同时实时检测攻击的能力，使其适用于现代网络防护和物联网（IoT）安全框架。

## 论文解读：基于混合加密技术的网络通信安全增强

### 研究背景与问题

随着网络化系统、云计算和互联网服务的快速发展，传输数据的规模和复杂性显著增加，这虽然提升了数据共享效率，但也引入了严重的安全威胁，如窃听、数据篡改、重放攻击和复杂的入侵尝试。传统安全机制通常要么专注于攻击检测，要么专注于数据加密，但鲜有两者兼顾的统一框架。传统加密方法虽能确保机密性和完整性，却未考虑通信是否可信，加密有害或已被攻击的流量不仅浪费计算资源，还可能通过阻断安全监控系统而助长攻击者。基于静态规则的入侵检测系统和基础机器学习模型在处理随时间演变的现代网络攻击模式及其后续流量模式时面临困难。因此，亟需一种综合安全策略，将流量智能与强加密保护相结合。深度学习技术能够分析具有复杂行为的网络流量模式，但仅靠深度学习分析仍不足以保护通信信道，因为即使合法数据通过系统，也可能发生未授权数据访问和篡改。为克服这些障碍，本研究提出了一种完整的安全解决方案，通过结合深度学习流量分析与混合加密系统来保护网络通信。

### 研究内容与结论

研究人员提出了一种集成DenseNet–BiGRU入侵检测模型与ECC（椭圆曲线加密）密钥交换及AES（高级加密标准）数据加密的框架。该框架通过解耦流量信任验证与加密过程，实现选择性加密，仅对可信流量进行加密，从而提升效率并减少不必要的加密开销。实验结果表明，该框架在CICIDS-2017数据集上达到94.5%的准确率、88.8%的精度、82.3%的召回率、85.4%的F1分数和0.82的MCC（马修斯相关系数），并在类别不平衡条件下展现出优异的区分能力（ROC-AUC为0.96，PR-AUC为0.93）。加密性能分析显示加密与解密延迟极低，吞吐量随有效载荷增大而保持稳定。该框架实现了实时攻击检测与安全通信的平衡，适用于现代网络防护和物联网（IoT）安全场景。论文发表在《Cybernetics and Intelligence》。

### 关键技术方法

本研究采用的主要关键技术方法包括：（1）**DenseNet–BiGRU深度学习模型**：用于从网络流量中提取空间和时间特征，实现流量信任评估。DenseNet通过密集连接捕获空间关系，BiGRU（双向门控循环单元）通过双向处理捕获时间依赖关系。（2）**ECC（椭圆曲线加密）密钥交换**：用于安全会话建立，通过椭圆曲线上的点乘运算生成共享密钥。（3）**AES（高级加密标准）数据加密**：用于对可信流量进行快速对称加密。（4）数据来源为**CICIDS-2017数据集**（加拿大网络安全研究所），该数据集包含正常流量与多种攻击流量，存在严重类别不平衡。研究人员对数据进行预处理，包括归一化、重复值处理、类别不平衡应对等，并按70%训练、15%验证、15%测试进行划分。

### 研究结果

#### 4.1 模型训练
通过训练DenseNet–BiGRU模型，研究人员使用Adam优化器和交叉熵损失函数，结合dropout正则化和早停策略，并采用分层k折交叉验证保留类别不平衡特征。超参数通过网格搜索调优，最终模型能够有效学习网络流量的空间和时间模式。

#### 4.2 加密评估
研究人员在受控环境中测试ECC和AES的加密、解密延迟及吞吐量。结果表明，加密和解密时间随有效载荷增大而线性增加，但延迟极低，且吞吐量保持稳定（约15000-16500 KB/s），证明混合加密方案适用于实时通信。

#### 4.3 性能指标
研究人员采用精度、召回率、F1分数、MCC、ROC-AUC和PR-AUC等指标评估检测性能。在CICIDS-2017数据集上，DenseNet–BiGRU模型达到94.5%准确率、88.8%精度、82.3%召回率、85.4% F1分数、0.82 MCC、0.96 ROC-AUC和0.93 PR-AUC，验证了其在类别不平衡下的鲁棒性。

#### 4.4 性能分析与可视化
通过混淆矩阵分析，模型正确识别了7841个正常实例（真负），误报203个；正确识别1609个攻击实例（真正），漏报347个。精度-召回曲线和ROC曲线显示，DenseNet–BiGRU的PR-AUC（0.9677）和ROC-AUC（0.9911）均优于BiGRU、BiLSTM、GRU和RNN等对比模型，证明其具有最强的分类能力和类别区分能力。加密延迟分布显示加密开销稳定且可控，加密吞吐量随时间保持高水平，端到端系统吞吐量随有效载荷增大而略有提升但整体稳定。对比分析表明，所提出的ECC-256方案在密钥交换、加密和解密延迟上均优于RSA-2048和DSA-2048，且提供等效128位安全强度。

### 讨论与结论

#### 讨论部分总结
研究结果验证了所提出的混合方案在将基于深度学习的入侵检测与安全加密通信相结合方面的有效性。DenseNet–BiGRU模型在准确率、精度、召回率和F1分数上均优于传统RNN、GRU、BiGRU和BiLSTM模型，混淆矩阵及ROC、PR曲线分析表明其在类别不平衡条件下具有强区分能力。加密评估显示AES和ECC带来的延迟影响极小，吞吐量稳定。系统实现了可信入侵检测与实时安全通信之间的有效平衡，适合实际应用。但需在实际网络环境和实时网络攻击场景下进一步验证鲁棒性，未来工作将聚焦于实时部署、零日攻击应对及多分类扩展。

#### 研究结论部分翻译
本研究提出了一种安全框架，利用混合深度学习进行流量信任评估，并结合先进加密机制保护网络通信。该方法集成了DenseNet-BiGRU入侵检测系统、ECC（椭圆曲线加密）密钥交换和AES（高级加密标准）加密，确保只有经过验证的流量被加密，从而提升安全性和处理效率。系统在标准入侵检测数据集上评估，取得了高检测准确率，并在类别不平衡条件下具有平衡的精度、召回率、F1分数和MCC值，以及强ROC-AUC和PR-AUC性能。加密评估确认系统能够实时高效运行，延迟极低且吞吐量稳定。未来改进方向包括扩展至多类攻击分类，以及适应联邦学习和边缘计算环境。此外，引入自适应加密方案和在线学习机制可进一步增强对物联网（IoT）和下一代网络中动态及零日攻击的抵御能力。