基于視覺注意力網(wǎng)絡(luò)的惡意加密流量檢測＊

薛秋爽 湯艷君 王世航 中國刑事警察學(xué)院

引言

隨著網(wǎng)絡(luò)隱私安全事件頻發(fā)，公眾越來越關(guān)注數(shù)據(jù)傳輸?shù)谋Ｃ苄院桶踩裕用芰髁總鬏敺绞较噍^于非加密流量傳輸方式更傾向于被采用[1]。通過對(duì)端口協(xié)議、字段特征等方法將流量進(jìn)行加密，對(duì)保護(hù)國家和公眾的隱私起到了至關(guān)重要的作用[2]，但同時(shí)攻擊者也可使用加密流量繞過現(xiàn)有的網(wǎng)絡(luò)安全產(chǎn)品來傳輸信息，逃避檢測，為從事違法犯罪活動(dòng)提供了便利，其使得惡意流量因加密而不容易被檢測。在計(jì)算機(jī)中傳播惡意流量觸犯非法侵入計(jì)算機(jī)信息系統(tǒng)罪和破壞計(jì)算機(jī)信息系統(tǒng)罪等《刑法》條文。因此，如何在加密流量中關(guān)注流量的圖像特征，快速檢測未知威脅并做出響應(yīng)，是網(wǎng)絡(luò)安全態(tài)勢(shì)感知中的關(guān)鍵問題，此問題的解決同時(shí)也為公安部門辦理網(wǎng)絡(luò)犯罪案件中鑒別是否屬于惡意流量、屬于哪種惡意流量提供依據(jù)，進(jìn)一步為定罪量刑打下了基礎(chǔ)。

目前對(duì)惡意加密流量的檢測方法可分為以下四種方式：基于端口號(hào)的方法、基于深度包檢測的方法、基于機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法[3]。基于端口號(hào)的方法通過識(shí)別協(xié)議類別來檢測流量。然而此方法只適用于檢測協(xié)議類別，動(dòng)態(tài)端口號(hào)的普及和隧道技術(shù)以及專有的加密方法可以將協(xié)議進(jìn)行隱藏。基于深度包檢測的方法以應(yīng)用層的有效載荷為檢測對(duì)象，對(duì)字段特征進(jìn)行分析，以此來實(shí)現(xiàn)對(duì)流量的具體分析。此方法通過流量協(xié)議知悉其協(xié)議和字段含義，但是需要頻繁維護(hù)特征庫，僅適用于未加密的流量，且具有較高的計(jì)算開銷。新一代基于機(jī)器學(xué)習(xí)的方法依賴于統(tǒng)計(jì)或時(shí)間序列特征，通常采用經(jīng)典的機(jī)器學(xué)習(xí)算法，如隨機(jī)森林和k近鄰算法。然而，此方法的性能很大程度上取決于人工設(shè)計(jì)的特性，這大大限制了它的通用性。基于深度學(xué)習(xí)的方法消除了人工選擇特征的過程，通過訓(xùn)練來自動(dòng)選擇特征，這使得當(dāng)新的惡意流量出現(xiàn)并且舊的惡意流量逐漸升級(jí)時(shí)此方法依舊適用；同時(shí)，基于深度學(xué)習(xí)的方法具有相當(dāng)好的學(xué)習(xí)能力，可以學(xué)習(xí)高度復(fù)雜的模式。因此，深度學(xué)習(xí)方法作為一種端到端的方法，能夠?qū)W習(xí)原始輸入和相應(yīng)輸出之間的非線性關(guān)系，而無需將過程分解出特征選擇的步驟。但是不同模型結(jié)構(gòu)的性能以及構(gòu)建方法仍有差異，如何合理運(yùn)用和搭建不同的深度學(xué)習(xí)模型，使其學(xué)習(xí)不同的表征，提高惡意加密流量的檢測率，仍然是一個(gè)需要研究的問題。

國內(nèi)外學(xué)者基于深度學(xué)習(xí)的方法進(jìn)行惡意加密流量檢測的相關(guān)研究中，提出了包括以文本序列形式檢測和將流量轉(zhuǎn)化為圖像的方式進(jìn)行檢測方法。Wei W等人[4]提出一維卷積神經(jīng)網(wǎng)絡(luò)（One-Dimensional Convolutional Neural Network，1D-CNN）更適用于提取作為一維的序列數(shù)據(jù)的流量特征，并創(chuàng)建了USFC-TFC數(shù)據(jù)集并針對(duì)該數(shù)據(jù)集開發(fā)了預(yù)處理工具；Zhuang Z等人[5]提出采用CNN和LSTM分別進(jìn)行分組特征提取和流級(jí)別的時(shí)序特征提取的方法進(jìn)行加密流量分類；Yu T等人[6]提出一種基于多自動(dòng)編碼器的加密惡意流量檢測方法，使用惡意沙盒收集流量數(shù)據(jù)，再使用AE的多層網(wǎng)絡(luò)進(jìn)行特征提取和訓(xùn)練分類器模型。上述研究均取得了不錯(cuò)的結(jié)果，雖多關(guān)注流量本身的特征，但忽略了將其進(jìn)行數(shù)據(jù)處理轉(zhuǎn)換后針對(duì)數(shù)據(jù)形式對(duì)模型的選擇和改進(jìn)，同時(shí)目前惡意流量檢測研究領(lǐng)域的實(shí)驗(yàn)多在未加密流量和虛擬數(shù)據(jù)集上開展，與公安實(shí)際較不符合。

為了解決上述問題，本文采用將流量數(shù)據(jù)轉(zhuǎn)換為圖像的方法，以公開數(shù)據(jù)集USTC-TFC作為實(shí)驗(yàn)數(shù)據(jù)集，針對(duì)圖像引入基于視覺注意力網(wǎng)絡(luò)（Visual Attention Network，VAN）[7]的惡意加密流量檢測模型，VAN模型中的大核注意力（Large Kernal Attention，LKA）是最關(guān)鍵的部分，其將大卷積核分解成深度卷積、深度擴(kuò)張卷積和通道上的卷積，再結(jié)合注意力機(jī)制根據(jù)不同的權(quán)重生成注意力圖，突出重要特征，以此生成更有效的表征提高模型的檢測率。最后設(shè)置消融實(shí)驗(yàn)與變體模型和常見其他模型進(jìn)行對(duì)比，來驗(yàn)證模型的有效性[8]。

一、VAN模型設(shè)計(jì)

（一）總體模型架構(gòu)設(shè)計(jì)

基于深度學(xué)習(xí)使用端到端的方式進(jìn)行惡意加密流量檢測。首先，對(duì)USTC-TFC數(shù)據(jù)集進(jìn)行預(yù)處理，將原始流量轉(zhuǎn)換為灰度圖。此過程經(jīng)歷流量切分、流量清洗、流量匿名化、統(tǒng)一大小、圖片生成、標(biāo)記數(shù)據(jù)。其次，將處理好的圖片輸入到VAN模塊中，首先利用LKA模塊提取流量圖像的特征，再根據(jù)注意力機(jī)制計(jì)算每個(gè)特征圖的權(quán)重值生成注意力圖，然后將其輸入多層感知機(jī)（Multilayer Perceptron，MLP）中，使用多層非線性變換將輸入數(shù)據(jù)映射到高維度的特征空間中，經(jīng)歷多個(gè)階段后，將最終提取到的特征通過線性函數(shù)得到流量分類的結(jié)果。模型總體架構(gòu)如圖1所示。

（二）數(shù)據(jù)預(yù)處理模塊

使用的數(shù)據(jù)集是來自文獻(xiàn)[4]所創(chuàng)建的USTC-TFC的一部分。USTC-TFC數(shù)據(jù)集為少有的來源于真實(shí)環(huán)境，同時(shí)流量種類較多且為加密流量的數(shù)據(jù)集，在惡意加密流量研究領(lǐng)域較為廣泛的被使用。其數(shù)據(jù)格式為PCAP，實(shí)驗(yàn)僅將其應(yīng)用層的會(huì)話數(shù)據(jù)作為研究對(duì)象。表1為使用數(shù)據(jù)集的具體情況，左邊為正常流量，右邊為惡意流量，數(shù)據(jù)列為預(yù)處理后生成的樣本數(shù)量。

數(shù)據(jù)預(yù)處理模塊的主要功能是將原始PCAP文件中的數(shù)據(jù)包按照會(huì)話的方式進(jìn)行劃分，并提取有用的信息，具體的處理過程如上述圖1所示，此模塊使用文獻(xiàn)[4]開發(fā)的工具集USTC-TK，在處理過程中，需要識(shí)別數(shù)據(jù)包中的五元組信息。通過這些信息，可以將流量分配到相應(yīng)的會(huì)話中，從而實(shí)現(xiàn)會(huì)話的劃分。

（1）流量切分：將數(shù)據(jù)集中的原始PCAP流量文件通過使用SplitCap[9]工具進(jìn)行切分，以流量的五元組信息為唯一標(biāo)識(shí)，本文只對(duì)數(shù)據(jù)集中的應(yīng)用層數(shù)據(jù)進(jìn)行研究，將其以會(huì)話為單位切分為小單元。

（2）流量清洗：將流量切分后生成的重復(fù)文件以及沒有應(yīng)用層數(shù)據(jù)的流量單元進(jìn)行清洗，只保留存在完整的通信會(huì)話標(biāo)志的流量小單元，將信息完整的流量小單元保存，以便后續(xù)模型對(duì)表征進(jìn)行學(xué)習(xí)以區(qū)分惡意流量和非惡意流量。

（3）地址混淆：使用USTC-TK工具對(duì)數(shù)據(jù)鏈路層的Mac地址和IP層的IP地址進(jìn)行處理，這些帶有特定環(huán)境標(biāo)識(shí)的信息可能對(duì)流量檢測造成干擾，導(dǎo)致結(jié)果過擬合，失去檢測的真實(shí)性，因此統(tǒng)一刪除IP地址并使用隨機(jī)生成的IP地址進(jìn)行隨機(jī)混淆，使其地址不對(duì)檢測結(jié)果造成影響。

（4）統(tǒng)一大小：切分過的流量由于交互的為不同的信息和數(shù)據(jù)，數(shù)據(jù)包的數(shù)量和大小各不相同，由于深度學(xué)習(xí)模型要求輸入的數(shù)據(jù)大小為固定長度，因此將流量切割或者填充為相同長度才可進(jìn)行后續(xù)處理。參考USTCTFC數(shù)據(jù)集的原始論文數(shù)據(jù)預(yù)處理方式，使用USTC-TK工具將流量切分為784字節(jié)大小。對(duì)于大于784字節(jié)的流量進(jìn)行截?cái)啵瑢?duì)于小于784字節(jié)的后續(xù)填充0x00，使流量都滿足784字節(jié)長度。

（5）圖片生成：將統(tǒng)一大小后的流量轉(zhuǎn)化為28×28的灰度圖進(jìn)行存儲(chǔ)，以便后續(xù)進(jìn)行可視化分析。隨機(jī)抽取各類灰度圖如圖2所示。

（6）標(biāo)記數(shù)據(jù)：將20類灰度圖存放到各類標(biāo)簽文件夾下。

（三）VAN模塊

VAN是基于LKA構(gòu)造的神經(jīng)網(wǎng)絡(luò)。VAN的每一個(gè)階段有兩個(gè)子層，分別是注意力機(jī)制（Attention）和前饋神經(jīng)網(wǎng)絡(luò)（Feed-Forward Network，F(xiàn)FN）。其中注意力層包括了LKA模塊，每個(gè)子層前使用批標(biāo)準(zhǔn)化（Batch Normalization，BN），每個(gè)子層后使用加法殘差連接（Residual Connection，）。VAN每個(gè)階段結(jié)構(gòu)如圖3所示。

LKA基于CNN（Convolutional Nerual Network，卷積神經(jīng)網(wǎng)絡(luò)）和視覺注意力方法進(jìn)行實(shí)現(xiàn)。CNN的主要目的是特征提取，選擇適當(dāng)大小的卷積核對(duì)流量圖像各部分的特征進(jìn)行提取，不同大小的卷積核提取的特征重點(diǎn)不相同，根據(jù)提取的各部分流量特征以及參數(shù)設(shè)置生成對(duì)應(yīng)的特征圖。CNN可以減少特征維度，并找出圖像最明顯的特征。同時(shí)，卷積核越大意味著參數(shù)量越多，運(yùn)算量也越大，所以為了達(dá)到輕量化的目的，LKA對(duì)大卷積核分成三個(gè)部分，分別是空間局部卷積（深度卷積）、空間長距離卷積（深度擴(kuò)張卷積）和通道上的卷積（1×1卷積）。具體來說，即將K×K卷積分解為 的深度擴(kuò)張卷積，擴(kuò)張度為d，(2d-1)×(2d-1)的深度卷積和1×1的卷積。VAN模塊中默認(rèn)采用K=21，當(dāng)K=21時(shí)，根據(jù)公式（2）d=3時(shí)取得最小值。這相當(dāng)于將大卷積分解成5×5的深度卷積和7×7的深度卷積，擴(kuò)張率為3的小卷積。

使用上述方式將大核分解后，加入視覺注意力的方法，將提取的流量圖像特征根據(jù)每個(gè)部分的注意力權(quán)重進(jìn)行加權(quán)求和，來計(jì)算一個(gè)點(diǎn)的重要性并生成注意力圖，越明顯的特征的比重更大從而得到更好的特征表示。LKA模塊可寫為（1）（2）：

其中，F(xiàn)∈RC×H×W是輸入特征，注意力圖中的值表示每個(gè)特征的重要性[10]，是張量積運(yùn)算。

每個(gè)階段如上述圖3所示，首先對(duì)輸入進(jìn)行下采樣，并使用跨度數(shù)來控制將采樣率。下采樣后，一個(gè)階段的所有其他層保持相同的輸出大小，即空間分辨率和通道數(shù)量。然后，L組進(jìn)行批量歸一化、1×1卷積、GELU激活函數(shù)、LKA和前饋神經(jīng)網(wǎng)絡(luò)（FFN），這些操作被依次堆疊以提取特征，L的取值分別為3、3、5、2。

二、實(shí)驗(yàn)結(jié)果與分析

（一）實(shí)驗(yàn)環(huán)境和VAN模塊超參數(shù)設(shè)置

本文實(shí)驗(yàn)訓(xùn)練環(huán)境調(diào)用GPU在Pytorch上進(jìn)行訓(xùn)練，實(shí)驗(yàn)環(huán)境如表2所示。

VAN模型參數(shù)設(shè)置如下：圖片輸入大小為28X28，經(jīng)歷四個(gè)階段，每個(gè)階段的注意力機(jī)制中嵌入的向量維度分別是[64,128,160,256]，每個(gè)階段的空間維度與嵌入向量維度之間的比率分別為[8,8,4,4]，每個(gè)階段的網(wǎng)絡(luò)深度分別為[3,3,5,2]。模型選擇交叉熵作為損失函數(shù)、AdamW優(yōu)化算法，批大小為50，學(xué)習(xí)率為1×10-4。為防止訓(xùn)練結(jié)果過擬合，實(shí)驗(yàn)設(shè)置一個(gè)早停機(jī)制，當(dāng)驗(yàn)證集的loss比上一個(gè)epoch的驗(yàn)證集的loss小的時(shí)候，保存這一個(gè)epoch的預(yù)訓(xùn)練模型；如果連續(xù)10個(gè)epoch的驗(yàn)證集的loss都沒有比目前保存的預(yù)訓(xùn)練模型小，那么訓(xùn)練結(jié)束。

（二）評(píng)價(jià)指標(biāo)

本文通過多種常見評(píng)價(jià)指標(biāo)平均準(zhǔn)確率（Average Accuracy，AA）、平均精確率（Average Precision，AP）、平均召回率（Average Recall，AR）、平均F1值（Average F1_Score，AF）對(duì)模型的檢測效果進(jìn)行評(píng)估[11]。其中，準(zhǔn)確率為正例和負(fù)例中預(yù)測正確數(shù)量占總數(shù)量的比例；精確率為預(yù)測為正例的樣本中預(yù)測正確的比例；召回率為實(shí)際為正例的樣本中，被預(yù)測為正確的正例占實(shí)際正例樣本的比例；F1值為精確率和召回率乘積的二倍除以精確率和召回率的和。

（三）實(shí)驗(yàn)結(jié)果

1.消融實(shí)驗(yàn)

VAN網(wǎng)絡(luò)中最重要的部分為LKA模塊，LKA分解為三個(gè)卷積分別是：空間上的局部卷積和長距離卷積以及通道上的卷積，同時(shí)又加上了注意力機(jī)制。過多或過少的分解均有可能造成模型性能的下降，導(dǎo)致流量圖像特征提取不全面。因此本文設(shè)置了消融實(shí)驗(yàn)，分別去掉深度卷積（DW-Conv）、深度擴(kuò)張卷積（DW-D-Conv）、通道上的卷積（1×1Conv）以及注意力機(jī)制，并在LKA的基礎(chǔ)上加上sigmoid函數(shù)，在公開數(shù)據(jù)集USTC-TFC上進(jìn)行六組實(shí)驗(yàn)。使用平均精確率（AP）和平均F1值（AF）作為評(píng)價(jià)指標(biāo)，除改動(dòng)上述模塊之外其他參數(shù)保持一致，來評(píng)估VAN模型的有效性。實(shí)驗(yàn)結(jié)果表明原始LKA的性能最好，說明LKA中的所有部分對(duì)于提高性能都是必不可少的，使得模型分類更為準(zhǔn)確。對(duì)比增加sigmoid函數(shù)，證明歸一化對(duì)LKA模塊來說是沒有必要的。VAN模型與其消融實(shí)驗(yàn)?zāi)Ｐ偷膶?duì)比結(jié)果如圖4所示。

2.基準(zhǔn)模型對(duì)比實(shí)驗(yàn)

為驗(yàn)證基于上述LKA模塊的VAN模型的有效性，在設(shè)置了早停機(jī)制的訓(xùn)練中，本文選取了5種模型（ResNet[12]、GoogLeNet[13]、DPN[14]、VGG[15]、1DCNN）做為基準(zhǔn)模型進(jìn)行對(duì)比。

根據(jù)表3數(shù)據(jù)，VAN模型的表現(xiàn)最好，它在AA、AP、AR、AF指標(biāo)上分別達(dá)到了95.53%、96.27%、95.56%和95.65%。相比其他基準(zhǔn)模型，在AA指標(biāo)上分別提升了0.74%、3.01%、2.66%、2.98%、3.88%，在AP指標(biāo)上分別提升了0.71%、2.03%、2.23%、2.41%、4.49%，在AR指標(biāo)上分別提升了0.81%、3.45%、3.02%、3.31%、4.15%，在AF指標(biāo)上分別提升了0.8%、3.51%、3.07%、3.48%、4.2%。

為驗(yàn)證所提VAN模型在加密流量檢測上的區(qū)分度，發(fā)現(xiàn)多數(shù)模型在Neris和Virut兩類上存在一定混淆。與此同時(shí)，VAN模型預(yù)測為Neris類樣本中有63個(gè)屬于Virut類，預(yù)測為Virut類樣本中有52個(gè)屬于Neris類，而基準(zhǔn)模型中表現(xiàn)最好的ResNet模型，預(yù)測為Neris類樣本中有51個(gè)屬于Virut類，預(yù)測為Virut類樣本中有114個(gè)屬于Neris類，減少了50個(gè)樣本混淆。各模型的混淆矩陣如圖5所示。

此外，VAN模型在Neris和Virut兩類的F1指標(biāo)上值最高，相較于基準(zhǔn)模型中性能最好的ResNet模型分別提升了3.77%和6.07%，相較于在基準(zhǔn)模型中Neris和Virut區(qū)分度最好的VGG模型分別提升了0.27%和0.97%。由圖5混淆矩陣的預(yù)測標(biāo)簽與真實(shí)標(biāo)簽的歸類可以看出，其他模型在對(duì)惡意加密流量Tinba類進(jìn)行預(yù)測時(shí)，將該類的多個(gè)樣本錯(cuò)誤地預(yù)測為其他種類的流量，而VAN模型在該類別上沒有錯(cuò)誤地將樣本進(jìn)行分類；基準(zhǔn)模型中表現(xiàn)最好的ResNet模型在對(duì)Miuref類進(jìn)行預(yù)測時(shí)，將其錯(cuò)誤地預(yù)測為了四類，而VAN模型僅將2個(gè)樣本錯(cuò)誤預(yù)測為Htbot類，對(duì)惡意加密流量檢測類的區(qū)分度更強(qiáng)。各模型在Neris和Virut兩類的F1值評(píng)價(jià)指標(biāo)結(jié)果如圖6所示。

三、結(jié)語

本文基于VAN模型對(duì)惡意加密流量進(jìn)行檢測，將VAN結(jié)構(gòu)應(yīng)用于惡意加密流量檢測領(lǐng)域，更關(guān)注將流量轉(zhuǎn)為圖片后的特征，實(shí)現(xiàn)高性能的分類。實(shí)驗(yàn)結(jié)果有效證明，將該模型應(yīng)用于惡意加密流量圖像識(shí)別中，四大指標(biāo)相比其他模型均有一定程度的提升，同時(shí)對(duì)不同種類的惡意加密流量上的細(xì)粒度區(qū)分明顯增強(qiáng)。該模型對(duì)于流量轉(zhuǎn)換為圖片后的形式提取了更有效的惡意加密流量特征，提升了對(duì)惡意加密流量檢測的各方面指標(biāo)。

但本文的實(shí)驗(yàn)僅僅使用了單一數(shù)據(jù)集，且僅選擇應(yīng)用層會(huì)話的流量作為研究對(duì)象，沒有對(duì)別的計(jì)算機(jī)網(wǎng)絡(luò)層以及單向流進(jìn)行實(shí)驗(yàn)檢測惡意加密流量的效果。因此，為了獲得更好的表示性能以及對(duì)比差異，后續(xù)研究將考慮在多種數(shù)據(jù)集上對(duì)多層的流量以及單向流進(jìn)行實(shí)驗(yàn)，以進(jìn)一步打擊新型黑客類網(wǎng)絡(luò)犯罪活動(dòng)，提升公安領(lǐng)域?qū)阂饧用芰髁繖z測的預(yù)期效果，為涉及惡意加密流量的犯罪認(rèn)定以及量刑提供普適性依據(jù)。