💻 computer science

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

Este artigo propõe o MBRD-Tor, um framework de aprendizado profundo de três estágios que aborda os desafios de homogeneização de protocolos, ruído de criptografia e desequilíbrio extremo de classes na rede Tor ao fundir assinaturas comportamentais multiescala, empregar uma estimativa de qualidade baseada em ensemble para ponderação adaptativa e utilizar características sintéticas geradas por GAN para alcançar um desempenho superior na detecção de serviços maliciosos.

Autores originais: Amirhossein Saviz

Publicado 2026-07-21

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Amirhossein Saviz

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a internet como uma cidade gigante e movimentada onde todos são livres para circular, mas algumas pessoas querem usar máscaras para esconder seus rostos. Esta é a rede Tor, uma ferramenta digital projetada para proteger a privacidade, rebatendo mensagens através de uma série de túneis secretos para que ninguém veja quem enviou o quê. No entanto, assim como em uma cidade real, atores maldosos às vezes usam essas máscaras para esconder seus crimes, enviando comandos secretos para vírus ou operando lojas ilegais. O problema para os guardas de segurança da cidade é que o Tor é tão bom em seu trabalho que faz com que cada mensagem pareça exatamente igual: um bloco de dados uniforme de 512 bytes. É como tentar identificar um batedor de carteiras em uma multidão onde todos vestem exatamente o mesmo terno cinza, estão na mesma pose e caminham na mesma velocidade. As ferramentas de segurança tradicionais, que geralmente procuram por diferenças de tamanho ou forma, ficam completamente confusas. Elas não conseguem distinguir o turista inofensivo do criminoso porque os "uniformes" são idênticos. Isso cria uma dor de cabeça massiva para os defensores: eles precisam encontrar a pequena agulha de um ataque malicioso escondida em um palheiro de bilhões de blocos de aparência idêntica, e os vilões estão ficando mais espertos ao esconder seus rastros.

É aqui que entra um novo estudo de Amirhossein Saviz, propondo uma nova maneira inteligente de capturar esses criminosos digitais sem nunca precisar espiar dentro de suas malas trancadas. O artigo apresenta um sistema chamado MBRD-Tor, que atua menos como um guarda de segurança rígido verificando identidades e mais como um detetive que presta atenção ao ritmo e ao comportamento da multidão. Em vez de tentar ler o conteúdo das mensagens (que é criptografado e impossível de ver), o sistema observa como as mensagens se movem: quão rápido elas chegam, para qual direção estão indo e a ordem em que aparecem.

Os pesquisadores perceberam que, mesmo que os "ternos" sejam idênticos, a maneira como um batedor de carteiras se move através de uma multidão é diferente da de um turista normal. Um criminoso pode enviar um sinal e depois esperar que um pacote grande retorne, criando um padrão específico. Para capturar isso, a equipe construiu um processo de três etapas. Primeiro, eles criaram uma "impressão digital comportamental" combinando tempo, posição e direção em um resumo único e compacto do tráfego. Segundo, eles enfrentaram um problema difícil: no mundo real, o tráfego malicioso é incrivelmente raro (às vezes menos de 1% de todo o tráfego) e alguns dos dados são apenas "ruidosos" ou bagunçados. Para corrigir isso, eles usaram um painel de cinco "juízes" diferentes (um conjunto de algoritmos) para votar sobre o quão confiável cada pedaço de dado é, dando mais peso aos exemplos limpos e claros e ignorando os exemplares bagunçados. Finalmente, para resolver o problema de ter poucos exemplos de tráfego malicioso para aprender, eles usaram um tipo especial de IA chamada Rede Adversária Generativa (GAN). Pense nisso como um falsificador de arte digital que cria cópias falsas perfeitas de padrões criminosos raros, mas apenas se um comitê rigoroso de juízes concordar que as cópias falsas são indistinguíveis das reais. Isso permite que o sistema aprenda como os criminosos se parecem sem precisar de milhões de exemplos do mundo real.

Quando a equipe testou seu novo sistema em um conjunto de dados de tráfego real do Tor, os resultados foram promissores. Sob condições normais, onde o tráfego malicioso é um pouco mais comum, seu sistema alcançou um F1-score (uma medida de precisão geral) de 73,70%, o que foi significativamente melhor do que os métodos anteriores mais avançados. Mas a verdadeira mágica aconteceu quando eles simularam as condições extremas da internet real, onde o tráfego malicioso compõe apenas 1% do total. Neste cenário, a maioria dos outros sistemas falhou completamente, reduzindo sua capacidade de capturar criminosos a quase zero. No entanto, o MBRD-Tor manteve-se firme, mantendo uma taxa de recall de 21,1% (a capacidade de realmente encontrar os vilões) e um F1-score de 33,3%. O estudo sugere que, ao focar nos ritmos comportamentais sutis dos dados e usar um processo inteligente de várias etapas para limpar os dados de treinamento, é possível detectar atividades maliciosas mesmo quando elas estão escondidas à vista de todos entre milhões de blocos de aparência idêntica. Os autores concluem que esta abordagem oferece uma maneira robusta e amigável à privacidade de manter a cidade digital segura sem precisar quebrar a criptografia que protege a privacidade de todos.

Resumo Técnico: Estrutura MBRD-Tor para Detecção de Tráfego Malicioso em Tor

1. Declaração do Problema

A rede Tor (The Onion Router), embora essencial para a privacidade do usuário, é cada vez mais explorada por atores maliciosos para comunicação de Comando e Controle (C2), coordenação de ransomware e hospedagem de serviços ilegais na dark web. A detecção dessas atividades enfrenta três desafios técnicos fundamentais:

Homogeneização ao Nível de Protocolo: A arquitetura de células de tamanho fixo de 512 bytes do Tor elimina vetores de fingerprinting baseados em tamanho, criando uma homogeneidade de características que a análise de tráfego padrão não consegue distinguir facilmente.
Qualidade Heterogênea de Amostras: O preenchimento adaptativo (padding), a criptografia de múltiplas camadas e o jitter de rede resultam em uma discriminabilidade altamente variável entre as amostras de treinamento, tornando o tratamento uniforme dos dados subótimo.
Desequilíbrio Extremo de Classes: No tráfego de perímetro real, os fluxos maliciosos frequentemente constituem menos de 1% a 5% do tráfego total. Modelos de Minimização de Risco Empírico (ERM) padrão, otimizados nesses dados, sofrem quedas catastróficas de recall em comportamentos maliciosos raros.

2. Metodologia: A Estrutura MBRD-Tor

O artigo propõe o MBRD-Tor (Multi-scale Behavioral Representation and Data-centric refinement for Tor), uma estrutura de três estágios, centrada em dados, projetada para mudar o foco do treinamento de classificadores complexos para o aprimoramento da engenharia de representação e da qualidade dos dados de treinamento.

Estágio 1: Aprendizado de Representação Multiescala e Compressão

Para superar a homogeneização de células de tamanho fixo, a estrutura trata um fluxo Tor como uma sequência de células ( $n=50$ ), extraindo três atributos de metadados por célula: tempo interchegada ( $\Delta t$ ), posição e direção.

Embeddings Fundidos: Três embeddings complementares são gerados:
- Codificação Temporal: Tempos interchegada normalizados logaritmicamente e com z-score.
- Codificação Posicional: Funções sinusoidais que codificam a ordenação da sequência.
- Codificação Direcional: Representação one-hot da direção da célula (entrada/saída).
Contextualização: Esses vetores são combinados e enriquecidos com vetores de contexto local (janela deslizante) e global para capturar padrões direcionais, como o beaconing periódico.
Compressão por Autoencoder: Um Autoencoder de quatro camadas (feedforward) comprime a representação abrangente do fluxo em um espaço latente compacto ( $z \in \mathbb{R}^{64}$ ). Este modelo é treinado usando uma função de perda conjunta que combina o erro de reconstrução com uma perda de classificação auxiliar para garantir que o espaço latente retenha poder discriminativo.

Estágio 2: Estimativa de Qualidade e Refinamento de Dados

Este estágio aborda a variância da qualidade das amostras e o desequilíbrio extremo de classes através de uma abordagem baseada em ensemble.

Estimativa de Qualidade por Ensemble: Cinco estimadores de anomalia e densidade complementares (Isolation Forest, Local Outlier Factor, One-Class SVM, Variational Autoencoder e Masked Autoencoder for Density Estimation) são ajustados nas representações latentes de cada classe.
Pesagem Adaptativa: As saídas desses cinco modelos são normalizadas e agregadas em uma "pontuação de compatibilidade" unificada. Essas pontuações são convertidas em pesos de treinamento normalizados por classe usando um softmax controlado por temperatura, permitindo que o modelo priorize amostras de alta qualidade e minimize o peso de amostras ruidosas ou ambíguas.
Síntese Multi-GAN: Para combater o desequilíbrio extremo de classes sem borrar as fronteiras de decisão (um problema comum com o SMOTE), a estrutura treina três GANs estruturalmente distintas por classe:
- GAN-A (Shallow): Captura distribuições de grão grosso.
- GAN-B (Deep): Captura estruturas comportamentais de grão fino.
- GAN-C (Residual): Preserva o ruído de entrada e estabiliza os gradientes.
Filtragem de Consenso Estrito: As amostras sintéticas geradas pelas GANs são submetidas a um teste de aceitação rigoroso. Apenas vetores latentes sintéticos que excedem um limiar de segurança baseado no consenso do ensemble são injetados no pool de treinamento, garantindo que permaneçam "on-manifold".

Estágio 3: Implantação Agnóstica ao Classificador

A estrutura produz embeddings latentes validados que são "agnósticos ao classificador". Isso permite que operadores de segurança utilizem vários classificadores subsequentes (por exemplo, florestas de decisão leves para dispositivos de borda ou redes neurais profundas para servidores centrais) sem necessidade de retreinar a pipeline de extração de características.

3. Principais Contribuições

Assinaturas Comportamentais Multiescala: Um método inovador para fundir embeddings temporais, posicionais e direcionais para contornar as limitações do tamanho fixo de pacotes do Tor.
Pesagem de Instância Baseada em Ensemble: Um mecanismo robusto usando cinco estimadores heterogêneos para calcular a compatibilidade da amostra, garantindo estabilidade de treinamento mesmo com dados ruidosos.
Síntese de GAN com Filtro de Consenso: Uma abordagem de síntese com múltiplos geradores onde os dados sintéticos são estritamente filtrados por um consenso de ensemble, evitando a introdução de artefatos que diluem as fronteiras, comuns em técnicas de sobreamostragem padrão.
Arquitetura Respeitosa à Privacidade: O sistema opera exclusivamente em metadados observáveis (tempo, posição, direção) sem exigir DPI (Deep Packet Inspection) ou descriptografia, aderindo aos mandatos internacionais de privacidade.

4. Resultados Experimentais

A estrutura foi avaliada no conjunto de dados de malware Tor do CCS'22, que contém tráfego autenticado de 157 binários de malware e fluxos benignos do Tor Browser.

Distribuição Natural de Classes: Sob uma razão natural benigno-para-malicioso (~6,5:1), o MBRD-Tor alcançou um F1-score de 73,70%. Isso representa uma melhoria relativa de 15,53% sobre o segundo melhor baseline (LightGBM) e supera significativamente outros modelos de aprendizado profundo e aprendizado de máquina tradicional de última geração.
Desequilíbrio Extremo de Classes: Em um ambiente simulado onde o tráfego malicioso compunha apenas 1% do total, o MBRD-Tor manteve um recall de 21,1% e um F1-score de 33,3%. Em contraste, classificadores genéricos (incluindo LightGBM e AN-Net) viram seu recall cair abaixo de 10%, colapsando efetivamente na classe minoritária.
Estudos de Ablação:
- Remover a camada de representação multiescala (Estágio 1) resultou em uma queda de 15,69% no F1-score, confirmando a necessidade de capturar dependências de tempo-direção.
- Substituir a síntese especializada de GAN por interpolação SMOTE padrão levou a uma queda de 7,76% no F1-score e uma perda significativa de precisão, demonstrando a superioridade da síntese filtrada por consenso.

5. Significância e Alegações

O artigo afirma que o MBRD-Tor consegue preencher a lacuna entre modelos teóricos de aprendizado profundo e as restrições práticas da análise de tráfego Tor. Sua principal significância reside na capacidade de manter altas capacidades de detecção sob desequilíbrio extremo de classes (1% de tráfego malicioso) onde modelos padrão falham.

Ao deslocar o foco de puramente treinar classificadores complexos para melhorar a qualidade dos dados e a representação, a estrutura oferece uma solução modular que é:

Robusta: Resiliente à homogeneização das células Tor e ao ruído do tráfego criptografado.
Escalável: O design agnóstico ao classificador permite implantação flexível através de diferentes restrições de hardware (borda vs. central).
Respeitosa à Privacidade: Detecta ameaças sem violar o anonimato do usuário através de descriptografia ou inspeção de payload.
Consciente de Novidades: A pontuação de compatibilidade por ensemble permite que o sistema sinalize "anomalias desconhecidas" para inspeção manual, fornecendo um mecanismo para detectar ameaças de dia zero (zero-day).

Os autores concluem que o MBRD-Tor fornece um mecanismo de detecção confiável e de alto desempenho que preserva capacidades críticas de detecção de ameaças em ambientes onde modelos de aprendizado profundo padrão sofrem colapso total da classe minoritária.