面向网络入侵检测系统黑盒对抗攻击可迁移性的检测与拒绝方法
密码学与安全
2023-03-14 v1 机器学习
摘要
在过去十年中，基于机器学习的异常入侵检测系统的使用取得了很大成功。然而，近期研究表明，机器学习总体而言以及深度学习具体而言都易受对抗攻击，攻击者试图通过提供欺骗性输入来愚弄模型。这一漏洞最初在计算机视觉中被发现，该领域研究表明，为愚弄特定模型而设计的对抗图像能够欺骗其他机器学习模型。在本文中，我们研究针对多个基于机器学习的入侵检测系统的对抗网络流量的可迁移性。此外，我们分析了以相较单一模型更高精度而著称的集成入侵检测系统针对对抗攻击可迁移性的鲁棒性。最后，我们考察检测与拒绝（Detect & Reject）作为一种防御机制，以限制对抗网络流量可迁移性对基于机器学习的入侵检测系统的影响。
引用
@article{arxiv.2112.12095,
title = {Detect & Reject for Transferability of Black-box Adversarial Attacks Against Network Intrusion Detection Systems},
author = {Islam Debicha and Thibault Debatty and Jean-Michel Dricot and Wim Mees and Tayeb Kenaza},
journal= {arXiv preprint arXiv:2112.12095},
year = {2023}
}
备注
Advances in Cyber Security. ACeS 2021