增强网络入侵检测系统对对抗样本的鲁棒性
密码学与安全
2020-08-11 v1 机器学习
网络与互联网体系结构
摘要
近年来网络攻击在数量和种类上的增长要求构建更精密的网络入侵检测系统（NIDS）。当这类 NIDS 能够监控流经网络的所有流量（如部署在软件定义网络（SDN）上时），其性能更佳。由于无法检测零日攻击，传统用于检测恶意流量的基于签名的 NIDS 正开始被基于神经网络的异常检测 NIDS 所取代。然而，最近研究表明此类 NIDS 自身存在缺陷，即易受对抗样本攻击。此外，它们大多在旧数据集上评估，而这些数据集不能代表当今网络系统可能面临的各类攻击。本文提出从部分观测重建（RePO）作为一种新机制，借助去噪自编码器构建 NIDS，能够在低误报设置下检测不同类型网络攻击，并增强对对抗样本攻击的鲁棒性。我们在包含多种网络攻击的数据集上的评估表明，与其他近期提出的异常检测器相比，去噪自编码器在正常设置下可将恶意流量检测提升多达 29%，在对抗设置下提升多达 45%。
引用
@article{arxiv.2008.03677,
title = {Enhancing Robustness Against Adversarial Examples in Network Intrusion Detection Systems},
author = {Mohammad J. Hashemi and Eric Keller},
journal= {arXiv preprint arXiv:2008.03677},
year = {2020}
}
备注
Submitted to 6th IEEE Conference on Network Functions Virtualization and Software Defined Networks (IEEE NFV-SDN 2020)