对抗性网络流量：面向基于深度学习的网络流量分类鲁棒性评估
密码学与安全
2021-01-22 v4
摘要
网络流量分类被应用于网络流量管理、策略执行和入侵检测系统等多种场景。尽管大多数应用对其网络流量进行加密，且其中部分应用动态改变端口号，但机器学习（ML）尤其是基于深度学习（DL）的分类器在网络流量分类中已展现出令人印象深刻的性能。本文评估了基于 DL 的网络流量分类器针对对抗性网络流量（ANT）的鲁棒性。ANT 利用通用对抗扰动（UAP）生成方法，使基于 DL 的网络流量分类器做出错误预测。由于发送 ANT 前无需缓冲网络流量，其可实时生成。我们将基于 DL 的网络流量分类的输入空间划分为三类：包分类、流内容分类和流时间序列分类。为生成 ANT，我们提出三种将 UAP 注入网络流量的新攻击。AdvPad 攻击将 UAP 注入数据包内容以评估包分类器的鲁棒性。AdvPay 攻击将 UAP 注入伪数据包的载荷以评估流内容分类器的鲁棒性。AdvBurst 攻击基于 UAP 将特定数量的具有精心构造统计特征的伪数据包注入流的选定突发段中，以评估流时间序列分类器的鲁棒性。结果表明，在网络流量中注入少量 UAP 会大幅降低所有类别中基于 DL 的网络流量分类器的性能。
引用
@article{arxiv.2003.01261,
title = {Adversarial Network Traffic: Towards Evaluating the Robustness of Deep Learning-Based Network Traffic Classification},
author = {Amir Mahdi Sadeghzadeh and Saeed Shiravi and Rasool Jalili},
journal= {arXiv preprint arXiv:2003.01261},
year = {2021}
}
备注
14 pages, 3 figures, and 7 tables. Accepted in IEEE Transactions on Network and Service Management (TNSM). Supplementary Material: https://github.com/amsadeghzadeh/AdversarialNetworkTraffic