针对基于深度强化学习的入侵检测系统的新型实用通用对抗扰动
密码学与安全
2025-11-25 v1 人工智能
摘要
入侵检测系统 (IDS) 在防御日益增强的网络空间威胁方面发挥着关键作用。基于深度强化学习的 IDS 因其自适应和泛化能力而显示出前景。然而，最近的研究揭示了它们对对抗攻击的脆弱性，包括通用对抗扰动 (UAP)，后者可通过单个输入不可辨识的扰动来欺骗模型。本文提出了一种针对深度强化学习 (DRL) 基 IDS 的新型 UAP 攻击，该攻击基于网络数据规则和特征关系派生的领域特定约束。到目前为止，尚无研究探索了针对 DRL 基 IDS 的 UAP 生成。此外，本文是首个针对 DRL 基 IDS 在现实域约束下开发 UAP 的工作，这些约束不仅包括基本域规则，还包括特征之间的数学关系。此外，我们通过引入基于皮尔逊相关系数 (PCC) 的自定义损失函数来增强所提出 UAP 的规避性能，我们将其称为自定义 UAP。到目前为止，这也是首个在 UAP 生成中使用 PCC 值的研究，甚至在更广泛的背景下也是如此。实现了四个额外的 established UAP 基准进行全面比较。实验结果表明，所提出的自定义 UAP 在 Fast Gradient Sign Method (FGSM)、Basic Iterative Method (BIM) 等两个输入依赖攻击以及四个 UAP 基准上均表现出色，凸显其在现实世界对抗场景中的有效性。
引用
@article{arxiv.2511.18223,
title = {A Novel and Practical Universal Adversarial Perturbations against Deep Reinforcement Learning based Intrusion Detection Systems},
author = {H. Zhang and L. Zhang and G. Epiphaniou and C. Maple},
journal= {arXiv preprint arXiv:2511.18223},
year = {2025}
}
备注
13 pages, 7 Figures,