计算机工程

作者：李小剑, 谢晓尧, 徐洋, 张思聪

单位：1. 贵州师范大学 数学科学学院贵阳 550001;2. 贵州师范大学 贵州省信息与计算科学重点实验室贵阳 550001

关键词：恶意TLS流量,独立循环神经网络,切片循环神经网络,一维卷积,全局池化

基金：中央引导地方科技发展专项资金（黔科中引地［2018］4008）；贵州省科技计划项目（黔科合支撑［2020］2Y013）；贵州省研究生教育创新计划项目（黔教合YJSCXJH［2019］043）。

传统浅层机器学习方法在识别恶意TLS流量时依赖专家经验且流量表征不足，而现有的深度神经网络检测模型因层次结构复杂导致训练时间过长。提出一种基于CNN-SIndRNN端到端的轻量级恶意加密流量识别方法，使用多层一维卷积神经网络提取流量字节序列局部模式特征，并利用全局最大池化降维以减少计算参数。为增强流量表征，设计一种改进的循环神经网络用于捕获流量字节长距离依赖关系。在此基础上，采用独立循环神经网络IndRNN单元代替传统RNN循环单元，使用切片并行计算结构代替传统RNN的串行计算结构，并将两种类型深度神经网络所提取的特征拼接作为恶意TLS流量表征。在CTU-Maluware-Capure公开数据集上的实验结果表明，该方法在二分类实验上F1值高达0.965 7，在多分类实验上整体准确率为0.848 9，相比BotCatcher模型训练时间与检测时间分别节省了98.47%和98.28%。

来源：2022年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第4期