EVAGAN：面向低数据场景的规避生成对抗网络
密码学与安全
2022-08-09 v6
摘要
大量近期文献利用生成对抗网络（GANs）来生成未见过的规避样本。其目的是将生成的数据与原始训练集合并，用于对抗训练，以提升机器学习（ML）分类器的检测性能。生成的对抗样本的质量依赖于训练数据样本的充足性。然而，在诸如医学诊断影像和网络安全等低数据场景中，异常样本数量稀少。本文提出一种称为规避生成对抗网络（EVAGAN）的新型 GAN 设计，其更适用于使用过采样来提升 ML 分类器检测能力的低数据场景问题。EVAGAN 不仅能生成规避样本，其判别器还可作为规避感知分类器。我们以辅助分类器 GAN（ACGAN）为基准，在网络安全（ISCX-2014、CIC-2017 和 CIC2018）僵尸网络及计算机视觉（MNIST）数据集上评估 EVAGAN 的性能。我们证明，在检测性能、训练稳定性和时间复杂度方面，EVAGAN 在不平衡数据集上优于 ACGAN。EVAGAN 的生成器快速学习生成低样本类别，并同时强化其判别器。与需要经过 GAN 生成数据对抗训练后再进行安全强化的 ML 分类器不同，EVAGAN 使这种需求变得不必要。实验分析证明，对于所选网络安全与计算机视觉数据集，EVAGAN 是一种面向低数据场景的高效规避强化模型。代码将发布于 HTTPS://www.github.com/rhr407/EVAGAN。
引用
@article{arxiv.2109.08026,
title = {EVAGAN: Evasion Generative Adversarial Network for Low Data Regimes},
author = {Rizwan Hamid Randhawa and Nauman Aslam and Mohammad Alauthman and Husnain Rafiq},
journal= {arXiv preprint arXiv:2109.08026},
year = {2022}
}
备注
13 pages, 10 figures