arXiv cs.CR· Binghui Wu, Dinil Mon Divakaran, Mohan Gurusamy·· 4 小时前AI 评分68
NetGuise 证明早期加密流量分类器在带宽与延迟约束下仍易受定向对抗攻击
NetGuise: Adversarial Traffic Generation for Early-Stage Classifier Evasion
AI 摘要
这篇 arXiv 论文提出 NetGuise 框架,针对仅依赖连接前几个包进行决策的早期加密流量分类器,生成保留包方向、顺序和数量的对抗流量,同时满足 MTU、带宽和延迟约束。研究在 VANT 和 UTMobileNet 数据集上验证了该框架的有效性,指出早期分类器即使清洁准确率很高,在特定观察接口下仍具有显著的可逃逸性。
实验数据显示,在因果接口(模拟在线逐包执行)下,NetGuise 在 VANT 数据集上实现 33.2% 的平均定向逃逸率,而在提供全窗口信息的 Oracle 接口下可达 82.0%;相比之下,最强因果基线 BAP 的表现较低。NetGuise 将 VANT 上的带宽开销从 19.80% 降至 3.02%,生成延迟从 37.42 ms/flow 降至 1.16 ms/flow。在 Oracle 接口下,该框架在防御者进行四轮自适应重训练后仍能保持 43.5% 的逃逸率,并在零样本跨环境迁移中维持 48%。
事实层面,该研究证明了早期分类器在操作网络条件下存在未被充分评估的攻击面。推断层面,这意味着当前基于高清洁准确率的鲁棒性评估可能失效,必须纳入定向可逃逸性、观察约束、防御者适应性和实际网络条件。猜测层面,若此类方法被用于规避审查或恶意流量伪装,现有基于早期包的检测机制可能需要重构为多阶段或全流分析架构,但这会增加延迟成本。
来源:arXiv cs.CR · arxiv.org