信息安全研究 ›› 2025, Vol. 11 ›› Issue (E1): 156-.

• 2025网络安全创新发展大会入选论文 • 上一篇    下一篇

基于主动学习的TLS加密恶意流量检测方法

梅文明1刘新2刘冬兰2王睿2张昊2赵璐瑾3   

  1. 1(国家电网有限公司北京100031)
    2(国网山东省电力公司电力科学研究院济南250002)
    3(北京邮电大学网络与交换全国重点实验室北京102206)
  • 出版日期:2025-12-20 发布日期:2025-12-20
  • 通讯作者: 赵璐瑾 硕士.主要研究方向为数据安全、联邦学习. zlujin@bupt.edu.cn
  • 作者简介:梅文明 博士,正高级工程师.主要研究方向为电力网络安全防护体系、电力数据安全防护体系. 656085652@qq.com 刘新 硕士,正高级工程师.主要研究方向为电力大数据分析、电力网络安全. LLrber@163.com 刘冬兰 硕士,高级工程师.主要研究方向为电力物联网安全、电力通信安全. liudonglan2006@126.com 王睿 博士,高级工程师.主要研究方向为电力5G安全、电力物联网安全. squane5210@163.com 张昊 硕士,高级工程师.主要研究方向为电力5G安全测试、电力网络攻防. zhanghao_dky@163.com 赵璐瑾 硕士.主要研究方向为数据安全、联邦学习. zlujin@bupt.edu.cn

  • Online:2025-12-20 Published:2025-12-20

摘要: 随着对网络安全的愈加重视,加密流量快速增长,同时也为非法行为提供了掩护.机器学习技术虽优于传统加密恶意流量检测技术,但面对新型恶意流量时,标注样本不足限制了模型性能.为解决上述问题,设计了一种基于主动学习的TLS加密恶意流量检测方法.通过特定特征选择机制,从原始TLS加密流量特征中选取代表性特征组合,采用基于适应度比例共享聚类技术的样本选择策略挑选实例,通过融合多分类器的预测结果,构建分层集成模型训练逻辑回归分类模型.实验表明,该方法在少量标注样本下能实现高检测准确率.

关键词: 加密恶意流量检测, 主动学习, TLS, 特征选择, 集成学习

中图分类号: