网络入侵检测系统中的对抗挑战：研究洞察与未来展望
密码学与安全
2024-10-23 v3 新兴技术
网络与互联网体系结构
摘要
机器学习为网络安全带来了重大进步，尤其是在入侵检测系统 (IDS) 的开发方面。这些改进主要归功于机器学习算法识别特征间复杂关系并有效泛化到未见数据的能力。特别是深度神经网络，通过支持对大量训练数据的分析，显著提升了检测性能，从而推动了这一进步。然而，机器学习模型仍然容易受到对抗攻击的影响，精心构造的输入数据可能会误导模型做出错误的预测。虽然非结构化数据（如图像和文本）中的对抗威胁已被广泛研究，但它们对网络流量等结构化数据的影响却较少被探讨。本综述旨在通过全面回顾基于机器学习的网络入侵检测系统 (NIDS) 并深入分析其对对抗攻击的敏感性来填补这一空白。我们批判性地审查了 NIDS 领域的现有研究，强调了关键趋势、优势和局限性，同时指出了需要进一步探索的领域。此外，我们讨论了该领域的新兴挑战，并为开发更稳健和更具弹性的 NIDS 提供了见解。总之，本文增强了对 NIDS 中对抗攻击与防御的理解，并为未来提升机器学习模型在网络安全应用中鲁棒性的研究提供了指导。
引用
@article{arxiv.2409.18736,
title = {Adversarial Challenges in Network Intrusion Detection Systems: Research Insights and Future Prospects},
author = {Sabrine Ennaji and Fabio De Gaspari and Dorjan Hitaj and Alicia Kbidi and Luigi V. Mancini},
journal= {arXiv preprint arXiv:2409.18736},
year = {2024}
}
备注
35 pages