网络安全中的对抗性防御：GAN 用于威胁检测与缓解的系统综述
密码学与安全
2025-10-01 v2 人工智能
摘要
基于机器学习的网络安全系统高度易受对抗攻击，而生成对抗网络（GAN）既是强大的攻击启用者，也是有前景的防御方案。本综述系统性地审阅了 GAN 基于对抗性防御的网络安全研究（2021 年至2025 年8月31日），整合近期进展，识别空白，勾勒未来方向。采用 PRISMA 合规的系统文献综述程序，我们检索了五个主要数字图书馆。从 829 条初始记录中，保留下 185 篇同行评议研究，并通过数量化趋势分析和主题分类学开发进行综合。我们引入四维分类学，涵盖防御功能、GAN 架构、网络安全领域和对抗威胁模型。GAN 在网络入侵检测、恶意软件分析和物联网安全方面提高了检测准确率、鲁棒性和数据实用性。 notable 进展包括用于稳定训练的 WGAN-GP、用于定向合成的 CGAN，以及提高韧性的混合 GAN 模型。然而，仍存在训练不稳定、缺乏标准化基准、计算成本高昂和可解释性有限等持久挑战。GAN 基于的防御显示出强大的潜力，但需要在稳定架构、基准测试、透明度和部署方面的进展。我们提出了一套路线图，强调混合模型、统一评估、实际集成以及针对如 LLM 驱动的网络攻击等新兴威胁的防御。本综述为可扩展、可信赖和自适应的 GAN 动力防御奠定了基础。
引用
@article{arxiv.2509.20411,
title = {Adversarial Defense in Cybersecurity: A Systematic Review of GANs for Threat Detection and Mitigation},
author = {Tharcisse Ndayipfukamiye and Jianguo Ding and Doreen Sebastian Sarwatt and Adamu Gaston Philipo and Huansheng Ning},
journal= {arXiv preprint arXiv:2509.20411},
year = {2025}
}
备注
36 pages, 10 tables, 4figures