BGA: A noise-immune neural distillation framework for malicious signature extraction in high-entropy encrypted flows

📄 arXiv: 2608.14126v1 📥 PDF

作者: Sheng Hong, Yixuan Huang, Weiwei Jiang, Junyuan Zhang, Jiacheng Wang, Ruijian Jiao

分类: cs.CR, cs.AI

发布日期: 2026-08-14

💡 一句话要点

提出BGA框架以解决高熵加密流中的恶意签名提取问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 恶意流量检测 神经蒸馏 高熵加密流 WGAN-GP BiLSTM 自适应门控注意力 工业物联网 网络安全

📋 核心要点

  1. 现有方法在高熵TLS流中面临注意力稀释和恶意流量检测困难的问题，导致检测效果不佳。
  2. BGA框架通过方差分析解耦特征，并结合WGAN-GP合成少数样本，提升恶意签名的检测能力。
  3. 实验结果表明，BGA在CIC-IDS-2018和Edge-IIoT基准上性能超过95.2%，并在噪声注入测试中优于传统Transformer。

📝 摘要（中文）

为了解决高熵TLS 1.3流中的注意力稀释问题，本文提出了BGA，一个抗噪声的神经蒸馏框架，用于加密威胁情报的提取。该方法首先利用方差分析（ANOVA）将高区分度的控制平面特征与随机加密噪声解耦。为了解决86,878个流记录中的极端类别不平衡，集成了具有梯度惩罚的Wasserstein GAN（WGAN-GP）模块，以合成高保真度的少数样本，从而将稀有恶意状态命令注入（MSCI）攻击的检测召回率提高了43.2%。BGA架构核心集成了双向长短期记忆网络（BiLSTM）和自适应门控多头注意力机制，动态抑制加密伪影并放大恶意签名。对CIC-IDS-2018和Edge-IIoT基准的广泛评估显示，所有关键指标的性能上限超过95.2%。

🔬 方法详解

问题定义：本文旨在解决高熵加密流中恶意签名提取的挑战，现有方法在处理高噪声环境下的流量时，容易导致注意力稀释，影响检测效果。

核心思路：BGA框架通过方差分析（ANOVA）将高区分度的控制平面特征与随机加密噪声解耦，并利用WGAN-GP合成少数样本，从而提升恶意流量的检测能力。

技术框架：BGA的整体架构包括特征解耦模块、WGAN-GP样本合成模块、BiLSTM时间依赖提取模块和自适应门控多头注意力机制，形成一个完整的流量检测流程。

关键创新：BGA的主要创新在于结合了WGAN-GP以解决类别不平衡问题，并通过自适应门控机制动态抑制加密伪影，显著提高了恶意签名的检测能力。

关键设计：在网络结构上，BGA采用了BiLSTM来提取时间依赖性，并设计了1-Lipschitz约束的WGAN-GP模块，以确保合成样本的高保真度，同时优化了模型的推理延迟至0.2820毫秒。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，BGA在CIC-IDS-2018和Edge-IIoT基准上性能超过95.2%，并在噪声注入测试中相较于传统Transformer表现出8.57%的性能优势。此外，其推理延迟仅为0.2820毫秒，显示出在工业边缘网关上的实时可行性。

🎯 应用场景

该研究的潜在应用领域包括工业物联网（IIoT）安全、网络流量监测和加密通信安全等。BGA框架能够在高噪声环境中有效提取恶意流量特征，为实时威胁检测提供了新的解决方案，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

To mitigate attention dilution in high-entropy TLS 1.3 flows, we propose BGA, a noise-immune neural distillation framework for encrypted threat intelligence.The methodology first employs Analysis of Variance (ANOVA) to decouple high-discriminatory control-plane features - specifically industrial setpoints - from stochastic cryptographic noise. To resolve the extreme class imbalance within a corpus of 86,878 flow records, a Wasserstein GAN with Gradient Penalty (WGAN-GP) module, enforcing the 1-Lipschitz constraint, is integrated to synthesize high-fidelity minority samples, elevating the detection recall of rare Malicious State Command Injections(MSCI) attacks by 43.2%. At its core, the BGA architecture integrates Bidirectional Long Short-Term Memory (BiLSTM) for temporal dependency extraction and an Adaptive Gated Multi-Head Attention mechanism. This gated unit functions as a neural filter to dynamically suppress encryption artifacts while amplifying malicious signatures. Extensive evaluations on CIC-IDS-2018 and Edge-IIoT benchmarks demonstrate a performance ceiling exceeding 95.2% across all key metrics. Furthermore, noise-injection stress tests confirm BGAs superior structural resilience with a 8.57% performance margin over vanilla Transformers, while its ultra-low inference latency of 0.2820 ms (estimated 1.6920 ms via theoretical scaling for ARM) indicates a high potential for real-time feasibility on heterogeneous industrial edge gateways, providing a promising architectural baseline for future hardware implementation.