在云基础设施中检测和分类加密网络流量的智能模型
Muhammad Dawood1, Chunagbai Xiao1, Shanshan Tu1
1Faculty of Information Technology, Beijing University of Technology, Beijing, China.
PeerJ. Computer science
|June 10, 2024
概括
机器学习有效地使用DNS数据检测恶意网络流量. 方位差异分析在识别恶意DNS通过HTTPS (DoH) 流量时实现了99%的准确性.
科学领域:
- 网络安全 网络安全
- 网络安全 网络安全
- 机器学习应用 机器学习应用
背景情况:
- 域名服务器 (DNS) 协议容易受到安全漏洞和网络攻击的影响.
- 滥用DNS是一个重要的网络安全问题,尽管有诸如HTTPS这样的进步.
- DNS over HTTPS (DoH) 是为了增强DNS安全性和隐私,防止窃听和改而开发的.
研究的目的:
- 探索用于检测和分类网络流量数据的机器学习 (ML) 方法,重点是DNS协议.
- 评估不同ML模型在恶意与非DoH流量的分类中的有效性.
主要方法:
- 在网络流量数据集上使用基于机器学习的分类方法.
- 采用了AdaBoost,SVC-RBF和二次差异分析 (QDA) 模型的辐射基函数支持向量分类.
主要成果:
- 通过AdaBoost模型,恶意流量分类的准确率达到75%,非DoH流量分类的准确率达到73%.
- 在分类恶意与非DoH流量方面,SVC-RBF模型获得了76%的准确性.
- QDA模型表现出高性能,对恶意流量分类准确率为99%,对非DoH流量分类准确率为98%.
结论:
- 机器学习模型,特别是QDA,在检测和分类恶意DNS流量方面显示出显著的希望.
- 实施先进的ML技术可以提高DNS通信的安全性,包括DNS over HTTPS (DoH).
- 该研究强调了ML在解决网络协议中不断变化的网络安全威胁方面的有效性.
