IDSGAN：面向入侵检测攻击生成的生成对抗网络
密码学与安全
2022-05-11 v5 人工智能
摘要
作为安全领域的重要工具，入侵检测系统承担着防御由恶意流量发起的网络攻击的责任。如今，在机器学习算法的助力下，入侵检测系统发展迅速。然而，当面对对抗攻击时，该系统的鲁棒性值得怀疑。为提升检测系统的鲁棒性，更多潜在的攻击方法正在研究中。本文提出一种称为 IDSGAN 的生成对抗网络框架，旨在通过对抗恶意流量记录来欺骗并规避检测，从而攻击入侵检测系统。鉴于攻击者未知检测系统的内部结构与参数，这些对抗攻击样本对检测系统实施黑盒攻击。IDSGAN 利用生成器将原始恶意流量记录转换为对抗恶意流量记录。判别器对流量样本进行分类，并动态学习实时黑盒检测系统。更重要的是，为对抗生成设计了受限修改机制，以保留对抗流量记录的原始攻击功能。通过以不同攻击类别攻击多个基于算法的检测模型，表明了该模型的有效性。通过改变被修改特征的数量验证了鲁棒性。与对抗攻击基线的对比实验证明了我们模型的优越性。
引用
@article{arxiv.1809.02077,
title = {IDSGAN: Generative Adversarial Networks for Attack Generation against Intrusion Detection},
author = {Zilong Lin and Yong Shi and Zhi Xue},
journal= {arXiv preprint arXiv:1809.02077},
year = {2022}
}
备注
Accepted for publication in the 26th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD 2022)