基于机器学习的网络入侵检测器的对抗鲁棒性评估与改进
密码学与安全
2021-06-09 v4 机器学习
网络与互联网体系结构
摘要
机器学习（ML），尤其是深度学习（DL）技术已越来越多地用于基于异常的网络入侵检测系统（NIDS）中。然而，ML/DL已被证明极易受到对抗攻击，尤其是在此类安全敏感系统中。已有许多对抗攻击被提出以评估基于ML的NIDS的鲁棒性。遗憾的是，现有攻击大多聚焦于特征空间与/或白盒攻击，这在真实场景中做出了不切实际的假设，使得关于实际灰盒/黑盒攻击的研究很大程度上未被探索。为弥补这一差距，我们开展了首项针对灰盒/黑盒流量空间对抗攻击的系统研究，以评估基于ML的NIDS的鲁棒性。我们的工作在以下方面优于以往研究：(i) 实用性——所提攻击能以极有限的知识与可承受的开销自动变异原始流量，同时保持其功能；(ii) 通用性——所提攻击可有效评估使用多种ML/DL模型及非载荷特征的各类NIDS的鲁棒性；(iii) 可解释性——我们提出了一种解释基于ML的NIDS脆弱鲁棒性的方法。基于此，我们还提出了一种抵御对抗攻击的防御方案以提升系统鲁棒性。我们使用多样特征集与ML/DL模型广泛评估了各类NIDS的鲁棒性。实验结果表明，我们的攻击是有效的（例如，在半数案例中针对SOTA的NIDS Kitsune规避率>97%），且执行成本可承受；所提防御方法能有效缓解此类攻击（多数案例中规避率降低>50%）。
引用
@article{arxiv.2005.07519,
title = {Evaluating and Improving Adversarial Robustness of Machine Learning-Based Network Intrusion Detectors},
author = {Dongqi Han and Zhiliang Wang and Ying Zhong and Wenqi Chen and Jiahai Yang and Shuqiang Lu and Xingang Shi and Xia Yin},
journal= {arXiv preprint arXiv:2005.07519},
year = {2021}
}
备注
This article has been accepted for publication by IEEE JSAC