TLSFlow Transformer
TLSFlow — طبقهبندی ترافیک رمزشده — طبقهبندی ترافیک رمزشده فقط از متادیتا (اندازه بسته، جهت، زمانبندی TLS) بدون بازرسی payload.
این صفحه دموی POC است، نه سامانه تحویلی. خدمت متناظر: امنیت سایبری · هاب دموها.
دموی نمونه تعاملیبرای مدیر: نتیجه کسبوکار
DPI روی ترافیک TLS کور است؛ VPN/Tor/C2 با ترافیک عادی مخلوط میشود.
۹ کلاس ترافیک از متادیتا؛ Macro F1 حدود ۰.۹۰؛ استنتاج زیر ۵۰ ms برای هر flow.
- Macro F1 ≥ ۰.۹۰
- ۹ کلاس ترافیک
- < ۵۰ ms/flow
- < ۵۰ FP در ۱۰ هزار flow
«بدون decryption میدانیم flow شبیه C2 است یا VPN — برای SOC قابل توضیح است.»
مستندات عمومی
چه میکند؟
TLSFlow Transformer یکی از محصولات پورتفولیوی هوش مصنوعی آریا اِیآی است که برای تصمیمگیری عملیاتی سازمانهای ایرانی و بینالمللی طراحی شده. نسخه عمومی روی Hugging Face یک دموی نمونه است؛ نسخه تولید با یکپارچهسازی داده، SSO و audit trail استقرار مییابد.
مخاطب غیرفنی میتواند KPI قبل/بعد، کاربرد صنعت و مسیر پایلوت را ببیند؛ مخاطب فنی pipeline، متریک قابل بازتولید و لینک Space/Model/Dataset را دنبال میکند.
درخواست پایلوت از طریق فرم تماس سایت با ذکر علاقه به TLSFlow Transformer ثبت میشود تا محدوده داده، قیود و معیار موفقیت مشخص گردد.
چه کسی از آن استفاده میکند؟
مدیران عملیات، CISO، برنامهریزان تولید، لجستیک، مالی و تیمهای مهندسی که باید تصمیم را هم برای هیئتمدیره و هم برای اجرای فنی توضیح دهند.
خروجی دمو «نمونه تعاملی» است؛ آپلود زنده فایل سازمانی روی Space عمومی توصیه نمیشود.
کاربرد در صنایع
بانک، بیمه و فینتک
کاهش ریسک تقلب، فیشینگ و نفوذ در کانالهای دیجیتال و تسریع triage SOC. پایش شبکه سازمانی بدون شکستن رمزنگاری — مناسب بانک، ISP و مراکز داده.
نفت، گاز و انرژی
پایش تهدید IT/OT، اولویتبندی آسیبپذیری و پاسخ حادثه در تأسیسات حیاتی.
مخابرات و مراکز داده
طبقهبندی ترافیک، شکار تهدید و کاهش alert fatigue در شبکه بزرگ.
دولت و زیرساخت حیاتی
همبستگی IOC، پوشش MITRE و گزارشدهی برای تیمهای SOC ملی و سازمانی.
بهداشت و درمان
محافظت از داده بیمار، ایمیل و endpoint بدون افشای PII در دمو عمومی.
خردهفروشی و تجارت الکترونیک
تشخیص کمپین فیشینگ، بدافزار و سوءاستفاده از وب/اپلیکیشن فروش.
برای مهندس: Pipeline و معماری
Flow metadata → packet size/IAT/TLS/TCP flags → tabular + sequence models → class + Captum attribution
معماری مرجع: Flow metadata → packet size/IAT/TLS/TCP flags → tabular + sequence models → class + Captum attribution. اجزا روی CPU قابل اجرا هستند تا دمو و استقرار اولیه بدون GPU اجباری باشد.
خروجیها شامل امتیاز/برنامه، توضیحپذیری و ردپای تصمیم برای بازبینی انسانی است. آموزش و ارزیابی از corpus مستند پروژه پیروی میکند.
برای تولید: Docker، متغیر محیطی، و اتصال به سامانه موجود (ERP، SIEM، WMS، APS) طبق معماری هر repo انجام میشود.
پشته فنی
- Python
- scikit-learn
- LightGBM / PyTorch
- FastAPI
- Gradio
- Docker
متریکهای قابل بازتولید
| بنچمارک | جزئیات | نتیجه |
|---|---|---|
| Macro F1 | 9-class | ≥ 0.90 |
| PR-AUC macro | multiclass | ≥ 0.85 |
| FP / 10k flows | benign | < 50 |
| Models compared | tabular + DL | 9 |
سوالات پرتکرار
TLSFlow Transformer چه مسئلهای را حل میکند؟
TLSFlow Transformer برای «طبقهبندی ترافیک TLS از فراداده جریان بدون payload» است. طبقهبندی ترافیک رمزشده فقط از متادیتا (اندازه بسته، جهت، زمانبندی TLS) بدون بازرسی payload. این صفحه دموی POC است نه سامانه تحویلی.
ورودی و خروجی TLSFlow Transformer چیست؟
ورودی: ویژگی جریان TLS. خروجی قابل نقلقول: کلاس کاربرد/مخاطر. متریک Hub بدون حجم نمونه سازمان SLA نیست.
آیا Space عمومی TLSFlow Transformer جایگزین استقرار سازمانی است؟
خیر. Hugging Face برای ارزیابی است. شکست رایج: CDN مشترک که کلاس را مخلوط کند. production یعنی on-prem یا VPC و کنترل دسترسی.
چطور پایلوت را شروع کنیم؟
فرم تماس خانه (سازمان، صنعت، شرح مسئله) را بفرستید. قیمت در صفحه دمو اعلام نمیشود.