💻 computer science

Behavioral Anomaly Detection and Malicious Service Identification in the Tor Network Using Deep Learning

Este artículo propone MBRD-Tor, un marco de aprendizaje profundo de tres etapas que aborda los desafíos de la homogeneización de protocolos, el ruido de cifrado y el desequilibrio extremo de clases en la red Tor mediante la fusión de firmas de comportamiento multiescala, el empleo de una estimación de calidad basada en conjuntos para el pesaje adaptativo y la utilización de características sintéticas generadas por GAN para lograr un rendimiento superior en la detección de servicios maliciosos.

Autores originales: Amirhossein Saviz

Publicado 2026-07-21

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Amirhossein Saviz

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que el internet es una ciudad gigante y bulliciosa donde todos son libres de caminar, pero algunas personas quieren usar máscaras para ocultar sus rostros. Esta es la red Tor, una herramienta digital diseñada para proteger la privacidad haciendo rebotar los mensajes a través de una serie de túneles secretos para que nadie pueda ver quién envió qué. Sin embargo, al igual que en una ciudad real, algunos actores malintencionados a veces usan estas máscaras para ocultar sus crímenes, enviando comandos secretos a virus o gestionando tiendas ilegales. El problema para los guardias de seguridad de la ciudad es que Tor hace tan bien su trabajo que hace que cada uno de los mensajes parezca exactamente igual: un bloque de datos uniforme de 512 bytes. Es como intentar detectar a un carterista en una multitud donde todos visten exactamente el mismo traje gris, permanecen en la misma postura y caminan exactamente a la misma velocidad. Las herramientas de seguridad tradicionales, que usualmente buscan diferencias en tamaño o forma, están completamente confundidas. No pueden distinguir entre un turista inofensivo y un criminal porque los "uniformes" son idénticos. Esto crea un dolor de cabeza masivo para los defensores: necesitan encontrar la pequeña aguja de un ataque malicioso escondida en un pajar de miles de millones de bloques de apariencia idéntica, y los malos se están volviendo más inteligentes para ocultar sus huellas.

Aquí es donde entra un nuevo estudio de Amirhossein Saviz, el cual propone una nueva y astuta forma de atrapar a estos criminales digitales sin necesidad de mirar jamás dentro de sus maletas cerradas con llave. El artículo presenta un sistema llamado MBRD-Tor, que actúa menos como un guardia de seguridad rígido que revisa identificaciones y más como un detective que presta atención al ritmo y al comportamiento de la multitud. En lugar de intentar leer el contenido de los mensajes (que está cifrado y es imposible de ver), el sistema observa cómo se mueven los mensajes: qué tan rápido llegan, hacia qué dirección van y el orden en el que aparecen.

Los investigadores se dieron cuenta de que, incluso si los "trajes" son idénticos, la forma en que un carterista se mueve a través de una multitud es diferente a la de un turista normal. Un criminal podría enviar una señal y luego esperar a que un paquete grande regrese, creando un patrón específico. Para capturar esto, el equipo construyó un proceso de tres pasos. Primero, crearon una "huella digital de comportamiento" combinando el tiempo, la posición y la dirección en un resumen compacto y único del tráfico. Segundo, enfrentaron un problema complicado: en el mundo real, el tráfico malicioso es increíblemente raro (a veces menos del 1% de todo el tráfico), y algunos de los datos son simplemente "ruidosos" o desordenados. Para solucionar esto, utilizaron un panel de cinco "jueces" diferentes (un conjunto de algoritmos) para votar sobre qué tan confiable es cada pieza de datos, dando más peso a los ejemplos limpios y claros e ignorando los desordenados. Finalmente, para resolver el problema de tener muy pocos ejemplos de tráfico malicioso para aprender, utilizaron un tipo especial de IA llamada Red Generativa Antagónica (GAN). Piensa en esto como un falsificador de arte digital que crea copias falsas perfectas de los patrones criminales poco comunes, pero solo si un estricto comité de jueces acuerda que las copias falsas son indistinguibles de las reales. Esto permite que el sistema aprenda cómo lucran los criminales sin necesidad de millones de ejemplos del mundo real.

Cuando el equipo probó su nuevo sistema en un conjunto de datos de tráfico real de Tor, los resultados fueron prometedores. Bajo condiciones normales, donde el tráfico malicioso es un poco más común, su sistema logró un F1-score (una medida de precisión general) del 73.70%, lo cual fue significativamente mejor que los mejores métodos anteriores. Pero la verdadera magia ocurrió cuando simularon las condiciones extremas del internet real, donde el tráfico malicioso constituye solo el 1% del total. En este escenario, la mayoría de los otros sistemas fallaron por completo, cayendo su capacidad de atrapar criminales a casi cero. Sin embargo, MBRD-Tor se mantuvo firme, manteniendo una tasa de recuperación (recall) del 21.1% (la capacidad de realmente encontrar a los malos) y un F1-score del 33.3%. El estudio sugiere que, al enfocarse en los sutiles ritmos de comportamiento de los datos y al usar un proceso inteligente de múltiples pasos para limpiar los datos de entrenamiento, es posible detectar actividad maliciosa incluso cuando se esconde a plena vista entre millones de bloques de apariencia idéntica. Los autores concluyen que este enfoque ofrece una forma robusta y respetuosa con la privacidad para mantener segura la ciudad digital sin necesidad de romper el cifrado que protege la privacidad de todos.

Resumen Técnico: Marco MBRD-Tor para la Detección de Tráfico Malicioso en Tor

1. Planteamiento del Problema

La red Tor (The Onion Router), aunque esencial para la privacidad del usuario, es explotada cada vez más por actores maliciosos para la comunicación de Comando y Control (C2), la coordinación de ransomware y el alojamiento de servicios ilegales en la dark web. La detección de estas actividades enfrenta tres desafíos técnicos fundamentales:

Homogeneización a Nivel de Protocolo: La arquitectura de celdas de tamaño fijo de 512 bytes de Tor elimina los vectores de huella dactilar basados en el tamaño, creando una homogeneidad de características que el análisis de tráfico estándar no puede distinguir fácilmente.
Calidad Heterogénea de las Muestras: El cifrado multicapa, las defensas de relleno adaptativo (padding) y el jitter de la red resultan en una discriminabilidad altamente variable entre las muestras de entrenamiento, lo que hace que el tratamiento uniforme de los datos sea subóptimo.
Desequilibrio Extremo de Clases: En el tráfico perimetral del mundo real, los flujos maliciosos suelen constituir menos del 1% al 5% del tráfico total. Los modelos de Minimización del Riesgo Empírico (ERM) estándar, optimizados sobre tales datos, sufren caídas catastróficas en la recuperación (recall) de comportamientos maliciosos poco comunes.

2. Metodología: El Marco MBRD-Tor

El artículo propone MBRD-Tor (Multi-scale Behavioral Representation and Data-centric refinement for Tor), un marco de tres etapas centrado en los datos, diseñado para desplazar el enfoque desde el entrenamiento de clasificadores complejos hacia la mejora de la ingeniería de representación y la calidad de los datos de entrenamiento.

Etapa 1: Aprendizaje de Representación Multiescala y Compresión

Para superar la homogeneización de las celdas de tamaño fijo, el marco trata un flujo de Tor como una secuencia de celdas ( $n=50$ ), extrayendo tres atributos de metadatos por celda: tiempo de llegada intermedio ( $\Delta t$ ), posición y dirección.

Embeddings Fusionados: Se generan tres embeddings complementarios:
- Codificación Temporal: Tiempos de llegada intermedio normalizados logarítmicamente y estandarizados (z-score).
- Codificación Posicional: Funciones sinusoidales que codifican el orden de la secuencia.
- Codificación Direccional: Representación one-hot de la dirección de la celda (entrada/salida).
Contextualización: Estos vectores se combinan y enriquecen con vectores de contexto local (ventana deslizante) y global para capturar patrones direccionales, como el beaconing periódico.
Compresión mediante Autoencoder: Un Autoencoder de alimentación hacia adelante (feedforward) de cuatro capas comprime la representación integral del flujo en un espacio latente compacto ( $z \in \mathbb{R}^{64}$ ). Este modelo se entrena utilizando una función de pérdida conjunta que combina el error de reconstrucción con una pérdida de clasificación auxiliar para asegurar que el espacio latente conserve su poder discriminativo.

Etapa 2: Estimación de Calidad y Refinamiento de Datos

Esta etapa aborda la varianza en la calidad de las muestras y el desequilibrio extremo de clases mediante un enfoque basado en ensambles.

Estimación de Calidad por Ensamble: Cinco estimadores de anomalías y densidad complementarios (Isolation Forest, Local Outlier Factor, One-Class SVM, Variational Autoencoder y Masked Autoencoder para la Estimación de Densidad) se ajustan sobre las representaciones latentes de cada clase.
Ponderación Adaptativa: Los resultados de estos cinco modelos se normalizan y se agregan en una "puntuación de compatibilidad" unificada. Estas puntuaciones se convierten en pesos de entrenamiento normalizados por clase mediante una softmax controlada por temperatura, lo que permite al modelo priorizar muestras de alta calidad y reducir el peso de aquellas ruidosas o ambiguas.
Síntesis Multi-GAN: Para contrarrestar el sesgo extremo de clases sin desdibujar los límites de decisión (un problema común con SMOTE), el marco entrena tres GANs estructuralmente distintos por clase:
- GAN-A (Superficial): Captura distribuciones de grano grueso.
- GAN-B (Profunda): Captura estructuras de comportamiento de grano fino.
- GAN-C (Residual): Preserva el ruido de entrada y estabiliza los gradientes.
Filtrado de Consenso Estricto: Las muestras sintéticas generadas por las GANs se someten a una prueba de aceptación estricta. Solo los vectores latentes sintéticos que superan un umbral de seguridad basado en el consenso del ensamble se inyectan en el pool de entrenamiento, asegurando que permanezcan "en la variedad" (on-manifold).

Etapa 3: Despliegue Agnóstico al Clasificador

El marco produce embeddings latentes validados que son "agnósticos al clasificador". Esto permite a los operadores de seguridad integrar varios clasificadores descendentes (por ejemplo, bosques de decisión ligeros para dispositivos de borde o redes neuronales profundas para servidores centrales) sin tener que reentrenar el pipeline de extracción de características.

3. Contribuciones Clave

Firmas de Comportamiento Multiescala: Un método novedoso para fusionar embeddings de celdas temporales, posicionales y direccionales para sortear las limitaciones del tamaño de celda fijo de Tor.
Ponderación de Instancias Basada en Ensambles: Un mecanismo robusto que utiliza cinco estimadores heterogéneos para calcular la compatibilidad de las muestras, asegurando la estabilidad del entrenamiento incluso con datos ruidosos.
Síntesis de GAN con Filtro de Consenso: Un enfoque de síntesis de múltiples generadores donde los datos sintéticos son estrictamente filtrados por un consenso de ensamble, evitando la introducción de artefactos que diluyen los límites, comunes en las técnicas de sobremuestreo estándar.
Arquitectura Cumplidora de la Privacidad: El sistema opera únicamente con metadatos observables (tiempo, posición, dirección) sin requerir Inspección Profunda de Paquetes (DPI) o descifrado, cumpliendo con los mandatos internacionales de privacidad.

4. Resultados Experimentales

El marco fue evaluado en el conjunto de datos de malware de Tor de CCS'22, que contiene tráfico autenticado de 157 binarios de malware y flujos benignos del Tor Browser.

Distribución Natural de Clases: Bajo una relación natural de benigno a malicioso (~6.5:1), MBRD-Tor logró un F1-score del 73.70%. Esto representa una mejora relativa del 15.53% sobre el segundo mejor baseline (LightGBM) y supera significativamente a otros modelos de aprendizaje profundo y aprendizaje automático tradicional de última generación.
Desequilibrio Extremo de Clases: En un entorno simulado donde el tráfico malicioso comprendía solo el 1% del total, MBRD-Tor mantuvo un recall de 21.1% y un F1-score de 33.3%. En contraste, los clasificadores genéricos (incluyendo LightGBM y AN-Net) vieron su recall caer por debajo del 10%, colapsando efectivamente en la clase minoritaria.
Estudios de Ablación:
- Eliminar la capa de representación multiescala (Etapa 1) resultó en una caída del 15.69% en el F1-score, confirmando la necesidad de capturar las dependencias temporales-direccionales.
- Reemplazar la síntesis especializada de GAN con la interpolación estándar de SMOTE provocó una caída del 7.76% en el F1-score y una pérdida significativa de precisión, demostando la superioridad de la síntesis filtrada por consenso.

5. Significación y Reivindicaciones

El artículo afirma que MBRD-Tor logra cerrar la brecha entre los modelos teóricos de aprendizaje profundo y las restricciones prácticas del análisis de tráfico de Tor. Su principal significación radica en su capacidad para mantener altas capacidades de detección bajo un desequilibrio de clases extremo (1% de tráfico malicioso) donde los modelos estándar fallan.

Al desplazar el enfoque de puramente entrenar clasificadores complejos hacia la mejora de la calidad de los datos y la representación, el marco ofrece una solución modular que es:

Robusta: Resiliente a la homogeneización de las celdas de Tor y al ruido del tráfico cifrado.
Escalable: El diseño agnóstico al clasificador permite un despliegue flexible a través de diversas restricciones de hardware (borde vs. central).
Respetuosa de la Privacidad: Detecta amenazas sin violar el anonimato del usuario mediante descifrado o inspección de carga útil (payload).
Conciencia de la Novedad: La puntuación de compatibilidad por ensamble permite al sistema marcar "anomalías desconocidas" para inspección manual, proporcionando un mecanismo para detectar amenazas de día cero (zero-day).

Los autores concluyen que MBRD-Tor proporciona un mecanismo de detección fiable y de alto rendimiento que preserva las capacidades críticas de detección de amenazas en entornos donde los modelos de aprendizaje profundo estándar sufren un colapso completo de la clase minoritaria.