基于遗传算法的联邦学习网络流量分类动态后门攻击
密码学与安全
2023-10-12 v1 人工智能
机器学习
摘要
联邦学习使多个客户端能够协作贡献于由中心服务器编排的全局模型的学习。这种学习方案促进了客户端的数据隐私并减少了通信开销。在网络流量分类等应用中，这有助于隐藏网络漏洞和薄弱点。然而，联邦学习易受后门攻击，攻击者将操纵的模型更新注入全局模型。这些更新在全局模型中注入一种显著功能，可通过特定输入模式触发。尽管如此，基于联邦学习的网络流量分类模型对这些攻击的脆弱性仍未被探索。本文中，我们提出 GABAttack，一种针对联邦学习网络流量分类的基于遗传算法的新型后门攻击。GABAttack 利用遗传算法优化后门触发模式的值与位置，确保与输入和模型更好契合。这种输入定制的动态攻击在保持有效性的同时有望提升攻击隐蔽性。在真实网络数据集上的大量实验验证了所提 GABAttack 在各种情况下的成功，同时保持几乎不可见的活动。本研究为网络安全专家与从业者敲响警钟，需开发针对此类攻击的鲁棒防御措施。
引用
@article{arxiv.2310.06855,
title = {Genetic Algorithm-Based Dynamic Backdoor Attack on Federated Learning-Based Network Traffic Classification},
author = {Mahmoud Nazzal and Nura Aljaafari and Ahmed Sawalmeh and Abdallah Khreishah and Muhammad Anan and Abdulelah Algosaibi and Mohammed Alnaeem and Adel Aldalbahi and Abdulaziz Alhumam and Conrado P. Vizcarra and Shadan Alhamed},
journal= {arXiv preprint arXiv:2310.06855},
year = {2023}
}