AdIoTack：量化与增强物联网网络决策树集成推理模型对抗容量攻击的韧性

基于机器学习的技术已在网络智能中展现出成效。然而，它们日益成为复杂数据驱动对抗攻击的目标，导致误预测，削弱其检测网络设备威胁的能力。本文提出 AdIoTack，一个揭示决策树对抗攻击脆弱性、帮助网络安全团队量化并增强其用于监控物联网网络之训练模型韧性的系统。为评估最坏情形下的模型，AdIoTack 执行白盒对抗学习以发起决策树集成模型无法标记的成功的容量攻击。我们的首要贡献是开发一种白盒算法，以训练好的决策树集成模型与针对某受害类的预期基于网络的攻击轮廓为输入，自动生成在预期攻击包之上附加特定包（开销低于 15%）的配方，使整体可不被察觉地绕过推理模型。我们确保生成的攻击实例在 IP 网络上可实际发起且具容量影响效力。第二贡献开发了一种主动监控连接设备网络行为、在可行时代替受害物联网设备注入对抗流量并成功发起预期攻击的方法。第三贡献原型化 AdIoTack 并在由少量真实物联网设备与训练推理模型组成的测试床上验证其效能。我们展示了该模型如何检测所有非对抗性物联网设备容量攻击，却遗漏许多对抗性攻击。第四贡献开发了将补丁应用于训练决策树集成模型以提升其对抗容量攻击韧性的系统化方法。