探究 DNN 深度对网络入侵检测系统对抗攻击的影响
密码学与安全
2025-10-23 v1 机器学习
摘要
对抗攻击通过微妙操控输入来诱导不正确预测，对机器学习 (ML) 系统尤其是深度神经网络 (DNN) 构成重大挑战。本文调查增加深度神经网络层数是否会影响其在网络入侵检测系统 (NIDS) 域中的对抗鲁棒性。我们在 NIDS 域和计算机视觉域（后者广泛用于对抗攻击实验）中比较各种深度神经网络的对抗鲁棒性。我们的实验结果表明，在 NIDS 域中，增加更多层数并不一定能提高其性能，甚至可能显著降低其对抗攻击的鲁棒性。相反，在计算机视觉域中，增加更多层数对鲁棒性的影响较为温和。这些发现可指导开发面向 (NIDS) 应用的鲁棒神经网络，并凸显网络安全领域在 (ML) 图景中的独特特征。
引用
@article{arxiv.2510.19761,
title = {Exploring the Effect of DNN Depth on Adversarial Attacks in Network Intrusion Detection Systems},
author = {Mohamed ElShehaby and Ashraf Matrawy},
journal= {arXiv preprint arXiv:2510.19761},
year = {2025}
}