Время покажет: Criss-Cross Transformer для анализа зашифрованного трафика

Time Will Tell: Criss-Cross Transformer for Encrypted Traffic Analysis
Yang Bai, Hao Peng, Lixing Chen, Bin Zhang, Hao Peng, Yang Bai, Hua Ding, Shenghong Li, Zhe Qu, Hua Ding
2026-02-13

Criss-cross Traffic Transformerмодуль пересекающегося вниманияклассификация зашифрованного трафикапрогнозирование зашифрованного трафикаtime series Transformer
Широкое внедрение шифрования в веб-сервисах заставляет как злоумышленников, так и защитников сети адаптировать свои инструменты для работы с зашифрованным трафиком. Для различных приложений в области безопасности в зашифрованных сетях анализ зашифрованного трафика является основополагающим. В силу скрытия информации, связанной с содержимым, в зашифрованных пакетах, динамика зашифрованного трафика становится различимой величиной, требующей всестороннего анализа. В статье исследуются присущие временные корреляции в зашифрованном трафике и предлагается новый алгоритм Criss-cross Traffic Transformer (CTT), разработанный для решения специфических задач анализа зашифрованного трафика. CTT выделяется применением специализированного трансформера для временных рядов, который инновационно использует патчинг и модуль перекрёстного внимания (criss-cross attention module, CAM) для разборки и интерпретации зашифрованного трафика: компонент «criss» извлекает долгосрочные и краткосрочные временные корреляции по времени, а компонент «cross» улавливает временные корреляции по нескольким размерностям признаков зашифрованного трафика. CTT предоставляет унифицированную структуру, способную учитывать разные аналитические гранулярности, включая уровень пакета, уровень потока и переход пакет→поток. Важно, что CTT охватывает не только классификацию зашифрованного трафика, но и прогнозирование зашифрованного трафика — область, которая в значительной степени остаётся недостаточно изученной в существующей литературе. Мы оцениваем CTT в задачах атак отпечатков (fingerprinting) и обнаружения вредоносного ПО на пяти реальных наборах данных в сравнении с 13 бенчмарками. Результаты показывают, что CTT обеспечивает до 15.56% прироста производительности по сравнению с современными (state-of-the-art) решениями для классификации зашифрованного трафика. В частности, CTT демонстрирует более 92.5% точности прогнозирования, что сопоставимо с SOTA-результатами в сценарии «видел и классифицировал», что указывает на потенциальную применимость метода в более широких областях, таких как анализ поведения в социальных сетях. Исходный код доступен по адресу https://github.com/Amanda-HuaDing/Criss-cross_Traffic_Transformer.
1
CTT достигает более 92,5% точности прогнозирования, сопоставимой с SOTA в сценарии «seen-and-classify», что указывает на потенциальную применимость в других областях, например анализе поведения в социальных сетях.
2
CTT расширяет область применения от классификации к прогнозированию зашифрованного трафика, что ранее было мало изучено.
3
CTT предоставляет единую архитектуру, поддерживающую анализ на уровне пакетов, потоков и пакет‑к‑потоку.
4
При оценке на задачах фингерпринтинга и обнаружения вредоносного ПО на 5 реальных наборах данных и 13 бенчмарках CTT показывает до 15,56% улучшения по сравнению с SOTA для классификации зашифрованного трафика.
5
Предложен CTT (Criss-cross Traffic Transformer) — трансформер для временных рядов с патчингом и модулем перекрёстного внимания (CAM) для анализа временных корреляций в зашифрованном трафике.
6
Компонент «criss» извлекает долгосрочные и краткосрочные временные корреляции по времени; компонент «cross» улавливает временные корреляции между несколькими измерениями признаков.

Зашифрованный сетевой трафик (представления на уровне пакетов, потоков и пакет→поток)

Анализ и моделирование временных корреляций в зашифрованном трафике для задач классификации и прогнозирования с помощью Criss-cross Transformer (CTT) с патчингом и criss-cross attention

Publication Details
Publication Date
2026-02-13
Journal
Publisher
ISSN
Cited by
3
Access Type
Author Information
Authors
Yang Bai
Hao Peng
Lixing Chen
Bin Zhang
Hao Peng
Yang Bai
Hua Ding
Shenghong Li
Zhe Qu
Hua Ding
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%