💻 computer science

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

Dit artikel stelt MBRD-Tor voor, een driefasig deep learning-framework dat de uitdagingen van protocolhomogenisering, encryptieruis en extreme klasse-onbalans in het Tor-netwerk aanpakt door multi-schaal gedragssignaturen te fuseren, een ensemble-gebaseerde kwaliteitsinschatting voor adaptieve weging toe te passen en GAN-gegenereerde synthetische kenmerken te gebruiken om superieure prestaties bij de detectie van kwaadaardige diensten te bereiken.

Oorspronkelijke auteurs: Amirhossein Saviz

Gepubliceerd 2026-07-21

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Amirhossein Saviz

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je het internet voor als een enorme, bruisende stad waar iedereen vrij rond kan lopen, maar waar sommige mensen maskers willen dragen om hun gezicht te verbergen. Dit is het Tor-netwerk, een digitale tool die ontworpen is om de privacy te beschermen door berichten door een reeks geheime tunnels te laten stuiteren, zodat niemand kan zien wie wat heeft verzonden. Echter, net als in een echte stad, gebruiken kwaadwillende actoren deze maskers soms om hun misdaden te verbergen, zoals het versturen van geheime commando's naar virussen of het runnen van illegale winkels. Het probleem voor de beveiligingsbewakers van de stad is dat Tor zo goed is in zijn werk dat het elk bericht er exact hetzelfde uit laat zien: een uniforme blok data van 512 bytes. Het is alsof je probeert een zakkenroller te herkennen in een menigte waar iedereen precies hetzelfde grijze pak draagt, in precies dezelfde houding staat en met precies dezelfde snelheid loopt. Traditionele beveiligingsinstrumenten, die meestal zoeken naar verschillen in grootte of vorm, raken volledig in de war. Ze kunnen het verschil niet zien tussen een onschuldige toerist en een crimineel omdat de "uniformen" identiek zijn. Dit creëルト een enorme hoofdpijn voor verdedigers: ze moeten de kleine naald van een kwaadaardige aanval vinden die verborgen zit in een hooiberg van miljarden identiek uitziende blokken, en de slechteriken worden steeds slimmer in het wissen van hun sporen.

Dit is waar een nieuw onderzoek door Amirhossein Saviz om de hoek komt kijken, dat een slimme nieuwe manier voorstelt om deze digitale criminelen te vangen zonder ooit in hun vergrendelde koffers te hoeven loeren. Het artikel introduceert een systeem genaamd MBRD-Tor, dat minder werkt als een rigide beveiligingsbewaker die ID-bewijzen controleert en meer als een detective die let op het ritme en het gedrag van de menigte. In plaats van te proberen de inhoud van de berichten te lezen (die versleuteld is en onmogelijk te zien is), observeert het systeem hoe de berichten bewegen: hoe snel ze aankomen, welke richting ze opgaan en in welke volgorde ze verschijnen.

De onderzoekers realiseerden zich dat zelfs als de "pakken" identiek zijn, de manier waarop een zakkenroller door een menigte beweegt, anders is dan die van een normale toerist. Een crimineel kan een signaal versturen en vervolgens wachten tot er een groot pakketje terugkomt, wat een specifiek patroon creëert. Om dit te vangen, bouwde het team een driestaps proces. Eerst creëerden ze een "gedragsvingerafdruk" door timing, positie en richting te combineren in één compacte samenvatting van het verkeer. Ten tweede werden ze geconfronteerd met een lastig probleem: in de echte wereld is kwaadaardig verkeer extreem zeldzaam (soms minder dan 1% van al het verkeer) en is een deel van de data simpelweg "ruizig" of slordig. Om dit op te lossen, gebruikten ze een panel van vijf verschillende "rechters" (een ensemble van algoritmen) om te stemmen over hoe betrouwbaar elk stukje data is, waarbij ze meer gewicht gaven aan de schone, duidelijke voorbeelden en de rommelige voorbeelden negeerden. Ten slotte, om het probleem van het te geringe aantal voorbeelden van kwaadaardig verkeer om van te leren op te lossen, gebruikten ze een speciaal soort AI genaamd een Generative Adversarial Network (GAN). Denk hierbij aan een digitale kunstvervalser die perfecte, neppe kopieën maakt van de zeldzame criminele patronen, maar alleen als een strikte commissie van rechters ermee instemt dat de neppartijen niet van echt te onderscheiden zijn. Dit stelt het systeem in staat om te leren hoe de criminelen eruitzien zonder dat er miljoens echte wereldvoorbeelden nodig zijn.

Toen het team hun nieuwe systeem testte op een dataset van echt Tor-verkeer, waren de resultaten veelbelovend. Onder normale omstandigheden, waarbij kwaadaardig verkeer iets gebruikelijker is, behaalde hun systeem een F1-score (een maatstaf voor algemene nauwkeurigheid) van 73,70%, wat aanzienlijk beter was dan de voorheen beste methoden. Maar de echte magie gebeurde toen ze de extreme omstandigheden van het echte internet simuleerden, waar kwaadaardig verkeer slechts 1% van het totaal uitmaakt. In dit scenario faalden de meeste andere systemen volledig en daalde hun vermogen om criminelen te vangen naar bijna nul. MBRD-Tor hield echter stand en behield een recall-percentage (het vermogen om de boeven daadwerkelijk te vinden) van 21,1% en een F1-score van 33,3%. De studie suggereert dat door te focussen op de subtiele gedragsritmes van de data en een slim, meerstaps proces te gebruiken om de trainingsdata op te schonen, het mogelijk is om kwaadaardige activiteiten op te sporen, zelfs wanneer ze in het volle zicht verborgen liggen tussen miljoenen identiek uitziende blokken. De auteurs concluderen dat deze aanpak een robuuste, privacyvriendelijke manier biedt om de digitale stad veilig te houden zonder de encryptie te breken die de privacy van iedereen beschermt.

Technische Samenvatting: MBRD-Tor Framework voor Detectie van Kwaadaardig Tor-verkeer

1. Probleemstelling

Het Tor-netwerk (The Onion Router), hoewel essentieel voor de privacy van gebruikers, wordt steeds vaker geëxploiteerd door kwaadwillende actoren voor Command and Control (C2) communicatie, ransomware-coördinatie en het hosten van illegale dark web-diensten. Het detecteren van deze activiteiten staat voor drie fundamentele technische uitdagingen:

Protocol-niveau Homogenisering: De vaste 512-byte celarchitectuur van Tor verwijdert vormgevingsvectoren op basis van grootte, wat leidt tot feature-homogeniteit waardoor standaard verkeersanalyse deze niet gemakkelijk kan onderscheiden.
Heterogene Steekproefkwaliteit: Meerlaagse encryptie, adaptieve padding-verdedigingen en netwerkjitter resulteren in een zeer variabele onderscheidbaarheid tussen trainingsmonsters, waardoor een uniforme behandeling van data suboptimaal is.
Extreme Klasse-imbalans: In real-world perimeterverkeer vormen kwaadaardige flows vaak minder dan 1% tot 5% van het totale verkeer. Standaard Empirical Risk Minimization (ERM) modellen, die geoptimaliseerd zijn op dergelijke data, lijden onder catastrofale dalingen in de recall voor zeldzame kwaadaardige gedragingen.

2. Methodologie: Het MBRD-Tor Framework

Het artikel stelt MBRD-Tor voor (Multi-scale Behavioral Representation and Data-centric refinement for Tor), een driefasig, datacentrisch framework dat ontworpen is om de focus te verleggen van complexe classifier-training naar het verbeteren van representatie-engineering en de kwaliteit van trainingsdata.

Fase 1: Multi-scale Representatie-leren en Compressie

Om de beperkingen van de vaste cel-omvang (homogenisering) te overwinnen, behandelt het framework een Tor-flow als een sequentie van cellen ( $n=50$ ), waarbij drie metadata-attributen per cel worden geëxtraheerd: inter-arrival tijd ( $\Delta t$ ), positie en richting.

Fused Embeddings: Drie complementaire embeddings worden gegenereerd:
- Temporele Codering: Log-genormaliseerde en z-gescoreerde inter-arrival tijden.
- Positionele Codering: Sinusoïdale functies die de volgorde van de sequentie coderen.
- Directionele Codering: One-hot representatie van de celrichting (inkomend/uitgaand).
Contextualisering: Deze vectoren worden gecombineerd en verrijkt met lokale (sliding window) en globale contextvectoren om directionele patronen te vangen, zoals periodieke beaconing.
Autoencoder Compressie: Een vierlaagse feedforward Autoencoder comprimeert de uitgebreide flow-representatie naar een compacte latente ruimte ( $z \in \mathbb{R}^{64}$ ). Dit model wordt getraind met een gezamenlijke loss-functie die de reconstructiefout combineert met een hulp-classificatieverlies om ervoor te zorgen dat de latente ruimte onderscheidend vermogen behoudt.

Fase 2: Kwaliteitsschatting en Data-verfijning

Deze fase adresseert de variantie in steekproefkwaliteit en extreme klasse-imbalans door middel van een ensemble-gebaseerde aanpak.

Ensemble Kwaliteitsschatting: Vijf complementaire anomalie- en densiteitsestimators (Isolation Forest, Local Outlier Factor, One-Class SVM, Variational Autoencoder, en Masked Autoencoder for Density Estimation) worden gefit op de latente representaties van elke klasse.
Adaptieve Weging: De outputs van deze vijf modellen worden genormaliseerd en geaggregeerd tot een verenigde "compatibiliteitsscore". Deze scores worden omgezet in klasse-genormaliseerde trainingsgewichten via een temperatuur-gecontroleerde softmax, waardoor het model prioriteit kan geven aan hoogwaardige monsters en ruisachtige of ambigue monsters kan down-weighten.
Multi-GAN Synthese: Om de extreme klasse-scheefheid tegen te gaan zonder de beslissingsgrenzen te vervagen (een veelvoorkomend probleem bij SMOTE), traint het framework drie structureel verschillende Generative Adversarial Networks (GANs) per klasse:
- GAN-A (Shallow): Legt grofmazige distributies vast.
- GAN-B (Deep): Legt fijnmazige gedragsstructuren vast.
- GAN-C (Residual): Behoudt inputruis en stabiliseert gradiënten.
Strikte Consensus Filtering: Gesynthetiseerde monsters gegenereerd door de GANs worden onderworpen aan een strikte acceptatietest. Alleen synthetische latente vectoren die een veiligheidsdrempel overschrijden op basis van de ensemble-consensus worden geïnjecteerd in de trainingspool, om te garanderen dat ze "on-manifold" blijven.

Fase 3: Classifier-Agnostische Implementatie

Het framework levert gevalideerde latente embeddings die "classifier-agnostisch" zijn. Dit stelt gebruikers in staat om diverse downstream classifiers te gebruiken (bijv. lichte decision forests voor edge-apparaten of diepe neurale netwerken voor centrale servers) zonder de feature-extractie pipeline opnieuw te trainen.

3. Belangrijkste Bijdragen

Multi-scale Gedragssignaturen: Een nieuwe methode voor het fuseren van temporele, positionele en directionele cel-embeddings om de beperkingen van de vaste pakketgrootte van Tor te omzeilen.
Ensemble-gebaseerde Instantie-weging: Een robuust mechanisme dat gebruikmaakt van vijf heterogene estimators om de steekproefcompatibiliteit te berekenen, wat zorgt voor trainingsstabiliteit zelfs bij ruisachtige data.
Consensus-gefilterde GAN Synthese: Een multi-generator synthese-aanpak waarbij gesynthetiseerde data strikt wordt gefilterd door een ensemble-consensus, wat de introductie van boundary-diluting artefacten voorkomt die gebruikelijk zijn bij standaard oversampling-technieken.
Privacy-conforme Architectuur: Het systeem werkt uitsluitend op observeerbare metadata (timing, positie, richting) zonder dat Deep Packet Inspection (DPI) of decryptie vereist is, wat voldoet aan internationale privacy-mandaten.

4. Experimentele Resultaten

Het framework werd geëvalueerd op de CCS'22 Tor malware dataset, die geauthenticeerd verkeer bevat van 157 malware-binaries en benign Tor Browser flows.

Natuurlijke Klasseverdeling: Onder een natuurlijke benign-naar-malicious ratio (~6,5:1) behaalde MBRD-Tor een F1-score van 73,70%. Dit vertegenwoordigt een relatieve verbetering van 15,53% ten opzichte van de op één na beste baseline (LightGBM) en presteert aanzienlijk beter dan andere state-of-the-art deep learning en traditionele machine learning modellen.
Extreme Klasse-imbalans: In een gesimuleerde omgeving waar kwaadaardig verkeer slechts 1% van het totale verkeer besloeg, behield MBRD-Tor een recall van 21,1% en een F1-score van 33,3%. In contrast hiermee zagen generieke classifiers (inclusief LightGBM en AN-Net) hun recall dalen tot onder de 10%, wat effectief leidde tot een instorting op de minderheidsklasse.
Ablatie-studies:
- Het verwijderen van de multi-scale representatielaag (Fase 1) resulteerde in een daling van 15,69% in de F1-score, wat de noodzaak bevestigt om timing-directionele afhankelijkheden te vangen.
- Het vervangen van de gespecialiseerde GAN-synthese door standaard SMOTE-interpolatie leidde tot een daling van 7,76% in de F1-score en een aanzienlijk verlies in precisie, wat de superioriteit van de consensus-gefilterde synthese aantoont.

5. Betekenis en Claims

Het artikel claimt dat MBRD-Tor erin slaagt de kloof te overbruggen tussen theoretische deep learning modellen en de praktische beperkingen van Tor-verkeersanalyse. De primaire betekenis ligt in het vermogen om hoge detectiecapaciteiten te behouden onder extreme klasse-scheefheid (1% kwaadaardig verkeer) waar standaard modellen falen.

Door de focus te verschuiven van puur het trainen van complexe classifiers naar het verbeteren van de datakwaliteit en representatie, biedt het framework een modulaire oplossing die:

Robuust is: Veerkrachtig tegen de homogenisering van Tor-cellen en de ruis van versleuteld verkeer.
Schaalbaar is: Het classifier-agnostische ontwerp maakt flexibele implementatie mogelijk over verschillende hardwarebeperkingen (edge versus centraal).
Privacy-bewarend is: Het detecteert dreigingen zonder de anonimiteit van gebruikers te schenden via decryptie of payload-inspectie.
Nieuwigheid-bewust is: De ensemble compatibiliteitsscore stelt het systeem in staat om "onbekende anomalieën" te markeren voor handmatige inspectie, wat een mechanisme biedt voor het detecteren van zero-day dreigingen.

De auteurs concluderen dat MBRD-Tor een betrouwbaar, hoogwaardig detectiemechanisme biedt dat kritieke detectiecapaciteiten behoudt in omgevingen waar standaard deep learning modellen lijden onder een volledige instorting van de minderheidsklasse.