GADoT：基于 GAN 的对抗训练用于鲁棒 DDoS 攻击检测
密码学与安全
2022-02-01 v1
摘要
机器学习（ML）已被证明在许多应用领域中是有效的。然而，ML 方法容易受到对抗攻击，在这种攻击中，攻击者试图通过精心构造输入数据来欺骗分类/预测机制。对于基于 ML 的网络入侵检测系统（NIDSs），攻击者可能利用其对入侵检测逻辑的了解来生成未被检测到的恶意流量。解决这个问题的一种方法是采用对抗训练，即用对抗流量样本扩充训练集。本文提出了一种名为 GADoT 的对抗训练方法，它利用生成对抗网络（GAN）生成用于训练的对抗性 DDoS 样本。我们表明，在流行数据集上具有高准确率的 SOTA NIDS 在对抗攻击下可能会经历超过 60% 的未检测恶意流。然后我们展示了在使用 GADoT 进行对抗训练后，该分数如何降至 1.8% 或更低。
引用
@article{arxiv.2201.13102,
title = {GADoT: GAN-based Adversarial Training for Robust DDoS Attack Detection},
author = {Maged Abdelaty and Sandra Scott-Hayward and Roberto Doriguzzi-Corin and Domenico Siracusa},
journal= {arXiv preprint arXiv:2201.13102},
year = {2022}
}