論文の概要: Early-MFC: Enhanced Flow Correlation Attacks on Tor via Multi-view Triplet Networks with Early Network Traffic

• arxiv url: http://arxiv.org/abs/2503.16847v1
• Date: Fri, 21 Mar 2025 04:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:55:02.686507
• Title: Early-MFC: Enhanced Flow Correlation Attacks on Tor via Multi-view Triplet Networks with Early Network Traffic
• Title（参考訳）: Early-MFC: 初期のネットワークトラフィックを考慮したマルチビュートリプレットネットワークによるTor上のフロー相関攻撃の強化
• Authors: Yali Yuan, Qianqi Niu, Yachao Yuan,
• Abstract要約: 我々は,マルチビュー三重項ネットワークに基づく早期ネットワークトラフィックを用いたフロー相関攻撃(Early-MFC)を提案する。 提案手法は,トランスポート層におけるペイロードとパケット間遅延からマルチビュートラフィック特徴を抽出する。 その後、マルチビューフロー情報を統合し、抽出した機能を共有埋め込みに変換する。
• 参考スコア（独自算出の注目度）: 1.7244120238071496
• License:
• Abstract: Flow correlation attacks is an efficient network attacks, aiming to expose those who use anonymous network services, such as Tor. Conducting such attacks during the early stages of network communication is particularly critical for scenarios demanding rapid decision-making, such as cybercrime detection or financial fraud prevention. Although recent studies have made progress in flow correlation attacks techniques, research specifically addressing flow correlation with early network traffic flow remains limited. Moreover, due to factors such as model complexity, training costs, and real-time requirements, existing technologies cannot be directly applied to flow correlation with early network traffic flow. In this paper, we propose flow correlation attack with early network traffic, named Early-MFC, based on multi-view triplet networks. The proposed approach extracts multi-view traffic features from the payload at the transport layer and the Inter-Packet Delay. It then integrates multi-view flow information, converting the extracted features into shared embeddings. By leveraging techniques such as metric learning and contrastive learning, the method optimizes the embeddings space by ensuring that similar flows are mapped closer together while dissimilar flows are positioned farther apart. Finally, Bayesian decision theory is applied to determine flow correlation, enabling high-accuracy flow correlation with early network traffic flow. Furthermore, we investigate flow correlation attacks under extra-early network traffic flow conditions. To address this challenge, we propose Early-MFC+, which utilizes payload data to construct embedded feature representations, ensuring robust performance even with minimal packet availability.
• Abstract（参考訳）: フロー相関攻撃(Flow correlation attack)は、Torなどの匿名ネットワークサービスを使用する人たちを露呈することを目的とした、効率的なネットワーク攻撃である。 ネットワーク通信の初期段階においてこのような攻撃を行うことは、サイバー犯罪検出や金融詐欺防止といった迅速な意思決定を必要とするシナリオにとって特に重要である。 近年, フロー相関攻撃手法の進歩が報告されているが, 初期のネットワーク交通流とのフロー相関に特に対処する研究は限られている。 さらに、モデル複雑性、トレーニングコスト、リアルタイム要件などの要因により、既存の技術は、初期のネットワークトラフィックフローとのフロー相関に直接適用できない。 本稿では,マルチビュー三重項ネットワークをベースとした早期ネットワークトラフィックのフロー相関攻撃(Early-MFC)を提案する。 提案手法は,トランスポート層およびパケット間遅延時のペイロードからマルチビュートラフィック特徴を抽出する。 その後、マルチビューフロー情報を統合し、抽出した機能を共有埋め込みに変換する。 距離学習やコントラスト学習などの手法を活用することにより、類似した流れが互いに密接な関係を保ちながら、異種流が遠く離れた位置にあることを保証し、埋め込み空間を最適化する。 最後に, ベイジアン決定理論を適用し, 早期のネットワーク交通流と高精度な流れ相関を可能にする。 さらに,ネットワーク外トラフィックフロー条件下でのフロー相関攻撃について検討した。 この課題に対処するために,ペイロードデータを用いて組込み特徴表現を構築するEarly-MFC+を提案する。

関連論文リスト

• Multi-view Correlation-aware Network Traffic Detection on Flow Hypergraph [5.64836465356865]
  ネットワークトラフィック検出のための多視点相関対応フレームワークFlowIDを提案する。 FlowIDは時間的およびインタラクションの認識を通じてマルチビュートラフィックの特徴をキャプチャし、ハイパーグラフエンコーダはフロー間の高次関係をさらに探求する。 FlowIDは,様々なネットワークシナリオにおいて,既存の手法よりも精度,堅牢性,一般化に優れることを示す。
  論文  参考訳（メタデータ） (2025-01-15T06:17:06Z)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
  トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。 トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。 MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-19T12:52:53Z)
• Diffusion Models Meet Network Management: Improving Traffic Matrix Analysis with Diffusion-based Approach [12.549916064729313]
  本稿では拡散型トラフィック行列解析フレームワークDiffusion-TMを提案する。 我々は,データセットに5%の既知値が残されている場合でも,我々のフレームワークが有望な結果を得ることができることを示す。
  論文  参考訳（メタデータ） (2024-11-29T06:20:34Z)
• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
  本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。 モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
  論文  参考訳（メタデータ） (2022-02-21T19:45:15Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• TrafficStream: A Streaming Traffic Flow Forecasting Framework Based on Graph Neural Networks and Continual Learning [10.205873494981633]
  グラフニューラルネットワーク(GNN)と連続学習(CL)に基づくストリームトラフィックフロー予測フレームワークであるTrafficStreamを提案する。 新たなトラフィックパターンをマイニングするために,JS-divergence に基づくアルゴリズムを提案する。 モデルの有効性と有効性を検証するために,ストリーミングトラフィックデータセットを構築した。
  論文  参考訳（メタデータ） (2021-06-11T09:42:37Z)
• Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
  本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。 我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。 本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2020-07-10T16:00:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。