揭开计算机网络中对抗攻击可迁移性的神秘面纱
密码学与安全
2022-04-01 v3 人工智能
计算机视觉与模式识别
机器学习
网络与互联网体系结构
摘要
卷积神经网络（CNNs）模型是最常用的深度学习网络之一，被广泛用于学术界与工业界。近期研究表明，针对此类模型的对抗攻击即使在非攻击者原目标模型上也能保持有效性。这一重要特性被称为可迁移性，并使CNN不适用于安全应用。本文首次提供了一项综合研究，评估基于CNN的计算机网络模型抵御对抗可迁移性的鲁棒性。此外，我们探究可迁移性属性问题在计算机网络应用中是否成立。实验中，我们首先考虑五种不同攻击：迭代快速梯度法（I-FGSM）、基于雅可比显著图法（JSMA）、有限内存Broyden Fletcher Goldfarb Shanno BFGS（L-BFGS）、投影梯度下降法（PGD）以及DeepFool攻击。随后，我们对三个知名数据集实施这些攻击：基于网络的物联网检测（N-BaIoT）数据集、域名生成算法（DGA）数据集和RIPE Atlas数据集。实验结果清晰表明，可迁移性在I-FGSM、JSMA和LBFGS攻击的特定用例中发生。在此类场景中，对目标网络的攻击成功率介于63.00%至100%。最后，我们考虑最强力攻击（MPAs）与失配LSTM架构，提出两种抵御攻击可迁移性的屏蔽策略。
引用
@article{arxiv.2110.04488,
title = {Demystifying the Transferability of Adversarial Attacks in Computer Networks},
author = {Ehsan Nowroozi and Yassine Mekdad and Mohammad Hajian Berenjestanaki and Mauro Conti and Abdeslam EL Fergougui},
journal= {arXiv preprint arXiv:2110.04488},
year = {2022}
}
备注
14 pages