面向基于机器学习的网络入侵检测器的可解释与可迁移对抗攻击
密码学与安全
2024-01-22 v1
摘要
尽管机器学习 (ML) 广泛应用于网络入侵检测系统 (NIDSs)，但已证明其极易受到对抗攻击的威胁。NIDS 的白盒和黑盒对抗攻击已在多项研究中被探讨。然而，白盒攻击不切实际地假设攻击者拥有目标 NIDSs 的完全知识。同时，由于模型间（如神经网络和树模型）的对抗可迁移性较弱，现有的黑盒攻击无法实现高攻击成功率。此外，两者均未解释对抗样本为何存在以及为何能在模型间迁移。为应对这些挑战，本文引入了 ETA，一个可解释的基于迁移的黑盒对抗攻击框架。ETA 旨在实现两个主要目标：1) 创建适用于各种 ML 模型的可迁移对抗样本；2) 为 NIDSs 中对抗样本的存在及其可迁移性提供见解。具体而言，我们首先提供一种适用于整个 ML 空间的通用基于迁移的对抗攻击方法。随后，我们利用基于合作博弈论和扰动解释的独特见解来解释对抗样本和对抗可迁移性。在此基础上，我们提出一种重要敏感特征选择 (ISFS) 方法来指导对抗样本的搜索，实现了更强的可迁移性并确保了流量空间约束。
引用
@article{arxiv.2401.10691,
title = {Explainable and Transferable Adversarial Attack for ML-Based Network Intrusion Detectors},
author = {Hangsheng Zhang and Dongqi Han and Yinlong Liu and Zhiliang Wang and Jiyan Sun and Shangyuan Zhuang and Jiqiang Liu and Jinsong Dong},
journal= {arXiv preprint arXiv:2401.10691},
year = {2024}
}