基于深度强化学习的规避生成对抗网络用于僵尸网络检测
密码学与安全
2022-10-07 v1 人工智能
摘要
基于机器学习的僵尸网络检测器是对抗规避攻击的潜在目标。若干研究工作采用由生成对抗网络（GAN）生成的样本进行对抗训练，使僵尸网络检测器善于识别对抗规避。然而，合成规避可能不遵循输入样本的原有语义。本文提出一种结合深度强化学习（DRL）的新型GAN模型，以探索语义感知样本并同时强化其检测能力。使用DRL智能体攻击充当僵尸网络检测器的GAN判别器。判别器在GAN训练期间由智能体精心制作的扰动训练，这有助于GAN生成器比无DRL情况更早收敛。我们将其命名为RELEVAGAN，即["relive a GAN"或基于深度强化学习（deep reinforcement learning, DRL）的规避生成对抗网络（evasion generative adversarial network）]，因为借助DRL，它通过让生成器在语义限度内探索规避样本而最小化GAN的工作。在GAN训练期间，实施攻击以调整判别器权重来学习智能体精心制作的扰动。RELEVAGAN无需对机器学习分类器进行对抗训练，因为它可充当对抗语义感知的僵尸网络检测模型。代码将发布于 https://github.com/rhr407/RELEVAGAN。
引用
@article{arxiv.2210.02840,
title = {Deep Reinforcement Learning based Evasion Generative Adversarial Network for Botnet Detection},
author = {Rizwan Hamid Randhawa and Nauman Aslam and Mohammad Alauthman and Muhammad Khalid and Husnain Rafiq},
journal= {arXiv preprint arXiv:2210.02840},
year = {2022}
}