一种新颖的可扰动性评分用于缓解基于流量的机器学习入侵检测系统中的对抗攻击
密码学与安全
2025-06-19 v4 人工智能
机器学习
摘要
随着网络安全威胁的不断演变，保护基于流量的机器学习(ML)入侵检测系统(IDS)免受躲避式对抗攻击日益至关重要。本文引入了特征可扰动性的概念，提出了一种新颖的可扰动性评分(PS)，用于量化攻击者在问题空间中对IDS特征容易被操纵的程度。PS通过识别由于网络流量字段语义而在基于流量的ML-IDS中结构上抗躲避攻击的特征，由于这些特征受到特定于领域的限制和关联性的约束。因此，尝试操纵此类特征可能会导致攻击的恶意功能受损、使流量无法被有效处理，或两者同时发生。我们介绍并展示了PS启用防御措施、PS引导特征选择和PS引导特征遮蔽等方法，提高了基于流量的IDS韧性。实验结果表明，在各种ML-IDS模型和公开数据集上，丢弃或屏蔽高度可操纵特征(高PS特征)可在保持稳健检测性能的同时，显著降低对躲避式对抗攻击的脆弱性。我们的发现确认，PS有效地识别了受问题空间扰动影响的基于流量的IDS特征。这种新方法利用问题空间IDS领域约束作为轻量级通用防御机制，以抵御针对基于流量的ML-IDS的躲避式对抗攻击。
引用
@article{arxiv.2409.07448,
title = {A Novel Perturb-ability Score to Mitigate Evasion Adversarial Attacks on Flow-Based ML-NIDS},
author = {Mohamed elShehaby and Ashraf Matrawy},
journal= {arXiv preprint arXiv:2409.07448},
year = {2025}
}