一种用于生成 DNS 放大攻击的深度学习方法
密码学与安全
2022-06-30 v1
摘要
近年来，深度学习已在网络安全中展现出极其重要的价值，它帮助网络入侵检测系统对攻击进行分类并检测新型攻击。对抗学习是利用机器学习生成一组被扰动的输入，再将其送入神经网络以使其误分类的过程。当前对抗学习领域的大部分工作是在图像处理和自然语言处理中借助多种算法开展的。两个值得关注的算法是深度神经网络的弹性网攻击（Elastic-Net Attack on Deep Neural Networks, EAD）和 TextAttack。在我们的实验中，EAD 和 TextAttack 算法被应用于一个域名系统（Domain Name System, DNS）放大分类器。这些算法用于生成恶意的分布式拒绝服务（Distributed Denial of Service, DDoS）对抗样本，再作为有效流量输入到网络入侵检测系统的神经网络中进行分类。我们在本工作中表明，图像处理和自然语言处理的对抗学习算法均可用于攻击网络入侵检测神经网络。
引用
@article{arxiv.2206.14346,
title = {A Deep Learning Approach to Create DNS Amplification Attacks},
author = {Jared Mathews and Prosenjit Chatterjee and Shankar Banik and Cory Nance},
journal= {arXiv preprint arXiv:2206.14346},
year = {2022}
}
备注
12 pages, 6 figures, Conference: to 2022 4th International Conference on Management Science and Industrial Engineering (MSIE) (MSIE 2022), DOI: https://doi.org/10.1145/3535782.3535838, accepted to conference above, not yet published