Behavioral Anomaly Detection and Malicious Service Identification in the Tor Network Using Deep Learning
यह शोध पत्र MBRD-Tor का प्रस्ताव करता है, जो एक तीन-चरणीय डीप लर्निंग फ्रेमवर्क है जो मल्टी-स्केल व्यवहार संबंधी हस्ताक्षरों (behavioral signatures) को संलयित करने, अनुकूली भारण (adaptive weighting) के लिए एक एन्सेम्बल-आधारित गुणवत्ता अनुमान का उपयोग करने और बेहतर मैलिशियस सर्विस डिटेक्शन प्रदर्शन प्राप्त करने के लिए GAN-जनित सिंथेटिक फीचर्स का उपयोग करने के माध्यम से टोर (Tor) नेटवर्क में प्रोटोकॉल होमोजेनाइजेशन, एन्क्रिप्शन शोर और अत्यधिक क्लास असंतुलन की चुनौतियों का समाधान करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
इंटरनेट की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ हर कोई स्वतंत्र रूप से घूम सकता है, लेकिन कुछ लोग अपने चेहरों को छिपाने के लिए मुखौटे पहनना चाहते हैं। यह 'टोर' (Tor) नेटवर्क है, जो गोपनीयता की रक्षा के लिए बनाया गया एक डिजिटल उपकरण है। यह संदेशों को गुप्त सुरंगों की एक श्रृंखला के माध्यम से उछालता (bounce) है ताकि कोई भी यह न देख सके कि किसने क्या भेजा है। हालाँकि, एक वास्तविक शहर की तरह ही, कभी-कभी बुरे तत्व इन मुखौटों का उपयोग अपने अपराधों को छिपाने के लिए करते हैं, जैसे कि वायरस को गुप्त कमांड भेजना या अवैध दुकानें चलाना। समस्या सुरक्षा गार्डों के लिए यह है कि टोर अपना काम इतनी अच्छी तरह से करता है कि यह हर एक संदेश को बिल्कुल एक जैसा दिखाता है: डेटा का एक समान, 512-बाइट का ब्लॉक। यह ऐसा है जैसे किसी भीड़ में जेबकतल को पहचानने की कोशिश करना जहाँ हर कोई बिल्कुल एक जैसा ग्रे सूट पहने हुए है, एक ही मुद्रा में खड़ा है और एक ही गति से चल रहा है। पारंपरिक सुरक्षा उपकरण, जो आमतौर पर आकार या आकृति में अंतर देखते हैं, पूरी तरह से भ्रमित हो जाते हैं। वे एक हानिरहित पर्यटक और एक अपराधी के बीच अंतर नहीं कर सकते क्योंकि उनके "यूनिफॉर्म" बिल्कुल एक जैसे हैं। यह रक्षकों के लिए एक बड़ा सिरदर्द पैदा करता है: उन्हें अरबों समान दिखने वाले ब्लॉकों के ढेर में छिपे एक दुर्भावनापूर्ण हमले की सुई को ढूंढना होगा, और बुरे लोग अपने पदचिह्नों को छिपाने में और भी स्मार्ट होते जा रहे हैं।
यहीं पर अमीरहोसैन साविज़ (Amirhossein Saviz) का एक नया अध्ययन आता है, जो एक चतुर नए तरीके का प्रस्ताव देता है जिससे वे उनके बंद सूटकेस के अंदर झाँके बिना भी इन डिजिटल अपराधियों को पकड़ सकें। यह शोध पत्र MBRD-Tor नामक एक प्रणाली पेश करता है, जो एक सख्त सुरक्षा गार्ड की तरह आईडी चेक करने के बजाय, एक ऐसे जासूस की तरह काम करता है जो भीड़ के लय (rhythm) और व्यवहार पर ध्यान देता है। संदेशों की सामग्री को पढ़ने के बजाय (जो एन्क्रिप्टेड है और देखना असंभव है), यह प्रणाली देखती है कि संदेश कैसे चलते हैं: वे कितनी तेज़ी से आते हैं, वे किस दिशा में जा रहे हैं, और वे किस क्रम में दिखाई देते हैं।
शोधकर्ताओं ने महसूस किया कि भले ही "सूट" एक जैसे हों, लेकिन एक जेबकतल के भीड़ में चलने का तरीका एक सामान्य पर्यटक से अलग होता है। एक अपराधी एक संकेत भेज सकता है और फिर एक बड़े पैकेज के वापस आने का इंतज़ार कर सकता है, जिससे एक विशिष्ट पैटर्न बनता है। इसे पकड़ने के लिए, टीम ने एक तीन-चरणीय प्रक्रिया बनाई। सबसे पहले, उन्होंने समय (timing), स्थिति (position) और दिशा (direction) को ट्रैफ़िक के एक संक्षिप्त सारांश में जोड़कर एक "व्यव behavioral फिंगरप्रिंट" बनाया। दूसरा, उन्होंने एक कठिन समस्या का सामना किया: वास्तविक दुनिया में, बुरा ट्रैफ़िक अविश्वसनीय रूप से दुर्लभ होता है (कभी-कभी कुल ट्रैफ़िक का 1% से भी कम), और कुछ डेटा केवल "शोर" या अस्त-व्यस्त होता है। इसे ठीक करने के लिए, उन्होंने पांच अलग-अलग "जजों" (एल्गोरिदम का एक समूह/ensemble) के एक पैनल का उपयोग किया जो इस बात पर वोट करते हैं कि प्रत्येक डेटा कितना भरोसेमंद है, जिससे वे साफ और स्पष्ट उदाहरणों को अधिक महत्व देते हैं और अस्त-व्यस्त उदाहरणों को अनदेखा करते हैं। अंत में, बुरे ट्रैफ़िक के सीखने के लिए बहुत कम उदाहरणों की समस्या को हल करने के लिए, उन्होंने 'जेनरेटिव एडवरसैरियल नेटवर्क' (GAN) नामक एक विशेष प्रकार के AI का उपयोग किया। इसे एक डिजिटल कला जालसाज (art forger) के रूप में सोचें जो दुर्लभ आपराधिक पैटर्न की सटीक, नकली प्रतियां बनाता है, लेकिन केवल तभी जब जजों की एक सख्त समिति सहमत हो कि नकली प्रतियां असली से अलग नहीं हैं। यह सिस्टम को यह सीखने की अनुमति देता है कि अपराधी कैसे दिखते हैं, बिना लाखों वास्तविक दुनिया के उदाहरणों की आवश्यकता के।
जब टीम ने वास्तविक टोर ट्रैफ़िक के एक डेटासेट पर अपनी नई प्रणाली का परीक्षण किया, तो परिणाम उत्साहजनक थे। सामान्य परिस्थितियों में, जहाँ बुरा ट्रैफ़िक थोड़ा अधिक आम होता है, उनकी प्रणाली ने 73.70% का F1-स्कोर (कुल सटीकता का एक माप) प्राप्त किया, जो पिछले सर्वोत्तम तरीकों से काफी बेहतर था। लेकिन असली जादू तब हुआ जब उन्होंने वास्तविक इंटरनेट की चरम स्थितियों का अनुकरण किया, जहाँ दुर्भावनापूर्ण ट्रैफ़िक कुल ट्रैफ़िक का केवल 1% है। इस परिदृश्य में, अन्य अधिकांश प्रणालियाँ पूरी तरह से विफल हो गईं, और अपराधियों को पकड़ने की उनकी क्षमता लगभग शून्य तक गिर गई। हालाँकि, MBRD-Tor ने अपनी पकड़ बनाए रखी, 21.1% का रिकॉल रेट (बुरे लोगों को वास्तव में खोजने की क्षमता) और 33.3% का F1-स्कोर बनाए रखा। अध्ययन बताता है कि डेटा के सूक्ष्म व्यवहारिक लय पर ध्यान केंद्रित करके और अपने प्रशिक्षण डेटा को साफ करने के लिए एक स्मार्ट, बहु-चरणीय प्रक्रिया का उपयोग करके, यह पहचानना संभव है कि दुर्भावनापूर्ण गतिविधि हो रही है, भले ही वह लाखों समान दिखने वाले ब्लॉकों के बीच छिपी हो। लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण एक मजबूत, गोपनीयता-अनुकूल तरीका प्रदान करता है जिससे उस एन्क्रिप्शन को तोड़े बिना सुरक्षित रखा जा सकता है जो सभी की गोपनीयता की रक्षा करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।