针对工业控制系统机器学习网络安全防御的对抗攻击
机器学习
2020-04-13 v1 密码学与安全
信号处理
机器学习
摘要
基于机器学习的入侵检测系统（IDS）的推广与应用，使得工业控制系统（ICS）中网络攻击的自动化检测更加灵活高效。然而，此类 IDS 的引入也创造了额外的攻击面；学习模型本身也可能遭受网络攻击，即所谓对抗机器学习（AML）。这类攻击在 ICS 系统中可能引发严重后果，因为对手可能绕过 IDS。这可能导致攻击检测延迟，进而造成基础设施损坏、经济损失甚至人员伤亡。本文探讨了如何利用对抗学习，通过基于雅可比显著图攻击生成对抗样本并探究分类行为，来攻击监督模型。分析还包括研究此类样本如何通过对抗训练增强监督模型的鲁棒性。实验使用真实的电力系统数据集予以支撑。总体而言，当存在对抗样本时，两种广泛使用的分类器 Random Forest 和 J48 的分类性能分别下降了 16 和 20 个百分点。经过对抗训练后其性能提升，显示出对这类攻击的鲁棒性。
引用
@article{arxiv.2004.05005,
title = {Adversarial Attacks on Machine Learning Cybersecurity Defences in Industrial Control Systems},
author = {Eirini Anthi and Lowri Williams and Matilda Rhode and Pete Burnap and Adam Wedgbury},
journal= {arXiv preprint arXiv:2004.05005},
year = {2020}
}
备注
9 pages. 7 figures. 7 tables. 46 references. Submitted to a special issue Journal of Information Security and Applications, Machine Learning Techniques for Cyber Security: Challenges and Future Trends, Elsevier