| DC Field | Value | Language |
|---|
| dc.contributor.author | Orazdurdyyeva, G. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-11-13T07:12:33Z | - |
| dc.date.available | 2026-11-13T07:12:33Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Orazdurdyyeva, G. Unsupervised anomaly detection in encrypted TLS traffic without Deep Packet Inspection = Обнаружение аномалий в зашифрованном TLS-трафике без глубокой инспекции пакетов (DPI) с использованием методов обучения без учителя / G. Orazdurdyyeva // Компьютерное проектирование в электронике = Electronic Design Automation : сборник научных трудов Международной научно-практической конференции, Минск, 23 октября 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. Р. Стемпицкий [и др.]. – Минск, 2026. – С. 235–239. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/66187 | - |
| dc.description.abstract | Тhe widespread adoption of Transport Layer Security (TLS) encryption has rendered traditional Deep
Packet Inspection (DPI) ineffective for network security monitoring. This paper presents an unsupervised
machine-learning framework that detects anomalous behavior in encrypted TLS traffic using only flow-level
metadata, without decrypting or inspecting payload content. Our approach leverages Isolation Forest and
Autoencoder models trained on seven behavioral features derived from Zeek network logs. Evaluated on the
CICIDS-2017 benchmark dataset, the Autoencoder achieves an AUC of 0.97 with a false positive rate below
5%, while the Isolation Forest reaches AUC 0.94. The results demonstrate that privacy-preserving anomaly
detection is both feasible and accurate at enterprise scale. | en_US |
| dc.language.iso | en | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | TLS traffic analysis | en_US |
| dc.subject | flow metadata | en_US |
| dc.subject | Isolation Forest | en_US |
| dc.title | Unsupervised anomaly detection in encrypted TLS traffic without Deep Packet Inspection | en_US |
| dc.title.alternative | Обнаружение аномалий в зашифрованном TLS-трафике без глубокой инспекции пакетов (DPI) с использованием методов обучения без учителя | en_US |
| dc.type | Article | en_US |
| local.description.annotation | Широкое распространение шифрования Transport Layer Security (TLS) значительно снизило
эффективность традиционной технологии глубокой инспекции пакетов (Deep Packet Inspection, DPI) для
мониторинга сетевой безопасности. В данной статье представлен подход к обнаружению аномалий в
зашифрованном TLS-трафике на основе методов машинного обучения без учителя (unsupervised
learning), использующий исключительно метаданные сетевых потоков без расшифровки или анализа
содержимого передаваемых данных. Предлагаемый метод основан на применении моделей Isolation
Forest и Autoencoder, обученных на семи поведенческих признаках, извлечённых из сетевых журналов
Zeek. Экспериментальная оценка выполнена на общепризнанном наборе данных CICIDS-2017.
Результаты показали, что модель Autoencoder достигает значения AUC = 0,97 при уровне
ложноположительных срабатываний менее 5 %, тогда как модель Isolation Forest демонстрирует AUC
= 0,94. Полученные результаты подтверждают, что обнаружение аномалий в зашифрованном сетевом
трафике с сохранением конфиденциальности данных является не только практически осуществимым,
но и обеспечивает высокую точность, достаточную для применения в корпоративных сетях большого
масштаба. | en_US |
| Appears in Collections: | Компьютерное проектирование в электронике (2026)
|
