利用 NIDSGAN 生成实用的对抗性网络流量流
密码学与安全
2022-03-15 v1
摘要
网络入侵检测系统 (NIDS) 是计算机网络及其内部主机的重要防御手段。如今机器学习 (ML) 主要作为 NIDS 决策的基础，模型被调优以减少误报、提高检测率并检测已知与未知攻击。与此同时，ML 模型被发现易受破坏下游任务的对抗样本攻击。在本工作中，我们提出一个实际问题：现实世界中基于 ML 的 NIDS 是否可被精心构造的对抗流规避，若可以，应如何创建。我们开发了基于生成对抗网络 (GAN) 的攻击算法 NIDSGAN，并评估其针对现实基于 ML 的 NIDS 的有效性。生成对抗性网络流量流面临两个主要挑战：(1) 网络特征必须遵守领域约束（即表征真实网络行为）；(2) adversary 必须在不知目标 NIDS 模型内部（如架构与超参数）及训练数据的情况下学习其决策行为。尽管存在这些挑战，NIDSGAN 算法生成的极高真实性的对抗流量流可规避基于 ML 的 NIDS。我们在白盒、黑盒和受限黑盒威胁模型下针对两个最先进的基于 DNN 的 NIDS 评估了攻击算法，平均成功率分别为 99%、85% 和 70%。我们还展示了该攻击算法可规避基于经典 ML 模型（包括逻辑回归、SVM、决策树和 KNN）的 NIDS，平均成功率为 70%。我们的结果表明，部署基于 ML 的 NIDS 而未采取针对对抗流的谨慎防御策略，可能会（且可以说很可能会）导致未来的安全妥协。
引用
@article{arxiv.2203.06694,
title = {Generating Practical Adversarial Network Traffic Flows Using NIDSGAN},
author = {Bolor-Erdene Zolbayar and Ryan Sheatsley and Patrick McDaniel and Michael J. Weisman and Sencun Zhu and Shitong Zhu and Srikanth Krishnamurthy},
journal= {arXiv preprint arXiv:2203.06694},
year = {2022}
}