通过抑制对抗攻击、导航扰动距离的微妙性并通过保守层加固预测的全面僵尸网络检测

僵尸网络是由恶意行为者控制的计算机网络，构成了显著的网络安全挑战。它们自主感染、传播并协调进行网络犯罪活动，迫切需要稳健的检测方法。本研究针对攻击者施加的复杂对抗性操纵，旨在破坏基于机器学习的僵尸网络检测系统。我们引入一种基于流的检测方法，利用机器学习和深度学习算法在 ISCX 和 ISOT 数据集上进行训练。通过遗传算法和粒子群优化优化检测算法，以获得基线检测方法。对抗攻击采用 Carlini & Wagner (C&W) 攻击和生成对抗网络 (GAN) 生成带有细微扰动的欺骗数据，针对用于分类的每个特征进行扰动，同时保持其语义和语法关系，从而确保对抗样本具有意义性和真实性。对原始样本所需的 L2 距离进行深入分析，以便恶意软件样本产生误分类，显示在不同 L2 距离下，扰动样本产生不同程度的误分类。我们的工作深入分析了各种模型的脆弱性，检查了从神经网络替代模型到基于树的方法迁移对抗样本的可行性。随后，对最初误分类扰动样本的模型进行再训练，以增强其韧性和检测能力。在最终阶段，集成保守预测层，显著降低了错误预测比例，分别在 ISCX 数据集和 ISOT 数据集中分别为 58.20% 和 98.94%。