연구진이 훈련 시 모든 서비스 범주를 알고 있다고 가정하는 폐쇄형(closed-world) 평가가 실제 배포 환경의 견고성을 상당히 과대평가한다는 사실을 밝히는 개방형(open-world) 다크넷 트래픽 분류 프레임워크를 제안했다. 서비스 하나를 제외하고 학습하는(leave-one-service-out) 평가 방식과 랜덤포레스트·XGBoost 기반 불확실성 인식 분류를 결합했다. 실험 결과 I2P 환경에서 XGBoost의 매크로 F1이 폐쇄형 88.8%에서 개방형 46.1%로, 랜덤포레스트는 87.4%에서 45.7%로 급락해 폐쇄형 평가의 과대평가 문제가 확인됐다. 불확실성 기반 거부 기법이 견고성을 다소 개선했지만, 알려진 서비스와 미지 서비스 간 강한 행위적 유사성 때문에 오분류가 빈번했다. FreeNet 비디오 트래픽의 88.1%가 브라우징 트래픽으로, I2P P2P 트래픽의 83.4%가 FTP 관련 행위로 흡수 분류되는 등 행위적 중첩이 개방형 다크넷 분류의 핵심 난제로 지목됐다.
- •leave-one-service-out 평가로 폐쇄형 다크넷 분류가 실제 견고성을 과대평가함을 입증했다
- •I2P 환경에서 XGBoost 매크로 F1이 88.8%에서 46.1%로, 랜덤포레스트는 87.4%에서 45.7%로 급락했다
- •불확실성 기반 거부가 견고성을 다소 개선했지만 오분류 문제는 여전했다
- •FreeNet 비디오의 88.1%가 브라우징으로, I2P P2P의 83.4%가 FTP로 오분류되는 행위적 중첩을 확인했다
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Open-World Darknet Traffic Recognition Under Leave-One-Service-Out Evaluation
본문 미리보기
arXiv:2608.04167v1 Announce Type: new Abstract: Darknet traffic recognition is critical for cyber threat intelligence, as anonymity networks are often used to conceal malicious activity. However, most existing studies rely on closed-world evaluation, assuming all service categories are known during training and testing, which is unrealistic in real-world environments. This paper presents an open-world darknet traffic classification framework using leave-one-service-out evaluation and uncertaint
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:57AI 초안
