采用深度集成学习提升计算机网络抵御对抗攻击的安全性
密码学与安全
2023-04-18 v2 人工智能
机器学习
网络与互联网体系结构
摘要
过去几年中，卷积神经网络（CNN）已在网络与多媒体安全等多种现实网络安全应用中展现出良好性能。然而，CNN 结构固有的脆弱性带来了重大安全问题，使其不宜用于包括计算机网络在内的安全导向应用。保护这些架构免受对抗攻击，需要使用难以被攻击的安全型架构。本研究提出一种基于集成分类器的新型架构，它将 1-类分类（称 1C）的增强安全性与常规 2-类分类（称 2C）在无攻击时的高性能相结合。我们的架构称为 1.5-类（SPRITZ-1.5C）分类器，由一个最终全连接分类器、一个 2C 分类器（即 CNN）与两个并行 1C 分类器（即自编码器）构成。实验中，我们考虑多种场景下的八种可能的对抗攻击，评估了所提架构的鲁棒性。我们分别对这些攻击作用于 2C 与 SPRITZ-1.5C 架构的情况进行实验。结果表明，针对以 N-BaIoT 数据集训练的 2C 分类器，I-FGSM 攻击的成功率（ASR）为 0.9900；相比之下，SPRITZ-1.5C 分类器的 ASR 为 0.0000。
引用
@article{arxiv.2209.12195,
title = {Employing Deep Ensemble Learning for Improving the Security of Computer Networks against Adversarial Attacks},
author = {Ehsan Nowroozi and Mohammadreza Mohammadi and Erkay Savas and Mauro Conti and Yassine Mekdad},
journal= {arXiv preprint arXiv:2209.12195},
year = {2023}
}