解释性且抗鲁棒的基于机器学习的物理层攻击检测器
密码学与安全
2025-10-01 v1 系统与控制
系统与控制
摘要
网络基础设施上新兴攻击的检测是安全管理的关键方面。为了应对现代威胁日益增长的规模和复杂性，机器学习（ML）技术提供了宝贵的工具，用于自动化检测恶意活动。然而，随着这些技术变得越来越复杂，它们的内部操作就变得越来越不透明。在此背景下，我们解决了为物理层攻击检测方法寻求解释性的需求。首先，我们分析了各种用于警报物理层入侵的分类器的内部工作方式，检查不同监控参数的影响如何取决于正在检测的攻击类型。这种分析不仅改进了模型的可解释性，也提出了 ways to enhance their design for increased speed。在第二个部分中，我们评估了检测器对恶意参数噪声的鲁棒性。结果突显了模型速度与鲁棒性之间的关键权衡。这项工作为开发基于可用网络监控数据训练的快速且稳健的检测器提供了设计指南。
引用
@article{arxiv.2509.26530,
title = {Explainable and Resilient ML-Based Physical-Layer Attack Detectors},
author = {Aleksandra Knapińska and Marija Furdek},
journal= {arXiv preprint arXiv:2509.26530},
year = {2025}
}