BEBP：一种针对基于机器学习的入侵检测系统的投毒方法
机器学习
2018-03-13 v1 密码学与安全
机器学习
摘要
在大数据时代，机器学习是入侵检测系统（IDSs）的基础技术之一。然而，实际 IDS 通常通过周期性地喂入新数据并重新训练学习模型来更新其决策模块。因此，一些破坏用于训练或测试分类器数据的攻击严重挑战了基于机器学习的 IDS 的检测能力。投毒攻击是针对基于机器学习的 IDS 最被公认的安全威胁之一，它在训练阶段注入一些对抗样本，诱导训练数据漂移并导致目标 IDS 在测试数据上性能显著下降。本文中，我们采用边缘模式检测（EPD）算法设计一种新颖的投毒方法，以攻击 IDS 中使用的若干机器学习算法。具体而言，我们提出一种边界模式检测算法，以高效生成靠近异常数据但被当前分类器认为是正常点的点。然后，我们引入批量-EPD 边界模式（BEBP）检测算法，以克服 EPD 生成的边缘模式点数量的限制并获得更多有用对抗样本。基于 BEBP，我们进一步提出一种温和但有效的投毒方法，称为慢性投毒攻击。在合成与三个真实网络数据集上的大量实验证明了所提投毒方法针对若干知名机器学习算法及一种名为 FMIFS-LSSVM-IDS 的实际入侵检测方法的性能。
引用
@article{arxiv.1803.03965,
title = {BEBP: An Poisoning Method Against Machine Learning Based IDSs},
author = {Pan Li and Qiang Liu and Wentao Zhao and Dongxu Wang and Siqi Wang},
journal= {arXiv preprint arXiv:1803.03965},
year = {2018}
}
备注
7 pages,5figures, conference