Improving the Reliability of Anomaly Detection for Encrypted OPC UA Traffic over Private 5G
该论文研究工业现场中 OPC UA 协议经由私有 5G 网络承载时的异常检测可靠性问题。背景是：OPC UA 越来越多地部署在私有 5G 之上，端到端加密使得基于网络的入侵检测系统（IDS）无法对载荷做深度检查，因此只能依赖从加密流量中提取
#encrypted-traffic
共收录 9 条相关情报。
← 返回所有主题Inevitability of Encrypted Traffic Side-Channel Leakage in the Multi-Class Setting
加密流量虽能保护内容，但仍会泄露通信模式，攻击者可据此进行网站指纹等侧信道识别。此前二元情形下的侧信道存在性定理仅能证明两分类间有互信息，无法推广到多分类，也未纳入主动防御（如流量整形）。本文将定理扩展到 k 类场景：利用每类分解 I(X;
Poster: Enhancing Network Traffic Analysis with Pre-trained Side-channel Feature Imputation.
本文针对加密网络流量侧信道特征在复杂网络拓扑下因丢包、重传导致特征碎片化，进而使现有基于学习的流量分析方法性能显著下降的问题，提出了一种基于预训练的增强框架 Nüwa。Nüwa 的核心思想是对加密流量会话中缺失数据包的侧信道特征进行补全（i
BGA: A noise-immune neural distillation framework for malicious signature extraction in high-entropy encrypted flows
本文提出一种名为BGA（Bidirectional Gated Attention）的抗噪神经蒸馏框架，用于在高熵加密流量（如TLS 1.3）中提取恶意签名。研究动机是：在加密流量中，随机性强的密码学噪声会稀释注意力机制对关键控制面特征的关
Generative AI for Encrypted Traffic Analysis: Synthetic Dataset Generation and Classifier Evaluation
该论文针对加密流量分析中的两大核心挑战展开研究：一是加密通信导致数据包内容可见性有限，使得传统深度包检测方法失效；二是可用数据集中异常流量样本极度不平衡，导致模型训练效果不佳。为应对这些问题，作者提出利用生成式人工智能（GAI）技术来构造逼
Rate-Distortion Function for Encrypted Traffic Side-Channel Defense
该论文针对加密流量侧信道防御中的参数选择问题，提出了一种基于率失真理论的可证明、可计算的理论基线。传统方法依赖经验调优，缺乏对“在给定服务质量（QoS）成本预算D下，持续观测下泄漏率能降低到多低”这一根本问题的理论回答。论文将语义标签序列X
Detecting Unknown Encrypted Malicious Traffic in Real Time via Flow Interaction Graph Analysis.
随着互联网流量广泛加密以保护通信隐私，攻击者也常常滥用加密技术来隐藏恶意行为。由于加密后的恶意流量与正常流量的特征极其相似，传统的检测方法（如基于签名或监督学习）难以有效识别，尤其是面对未知攻击时，因为它们依赖于已知攻击的标签数据集。本文提
When Entropy Is Not Enough: Multi-Modal Classification of Encrypted and Compressed Data Fragments
该论文针对网络安全中加密数据片段识别的关键问题展开研究，特别是在勒索软件检测、数字取证和大规模数据分析等场景下，准确区分加密与压缩数据片段至关重要。然而，短片段缺乏结构信息且统计冗余度低，传统基于字节级分布的统计方法效果有限。近期机器学习方
A Protocol-Language Model for Network Intrusion (Without Deep Packet Inspection)
该论文提出了一种名为PLM-NIDS的协议语言模型网络入侵检测系统，其核心思想是将网络流视为一种语言，其语法完全由L3/L4数据包元数据（长度、到达间隔时间、TTL、TCP标志和哈希端口号）构成，从而避免了对加密载荷的深度包检测（DPI）。