Liuer Mihou：一种用于生成和评估针对网络入侵检测系统的灰盒对抗攻击的实用框架

由于其高表达力和速度，深度学习（Deep Learning, DL）已成为基于网络的入侵检测系统（Network-based Intrusion Detection Systems, NIDSes）检测算法日益流行的选择。不幸的是，DL 算法易受对抗样本的攻击，对抗样本向输入注入难以察觉的修改并导致 DL 算法对输入误分类。NIDS 领域现有的对抗攻击通常直接操纵流量特征，这不具有实际意义，因为流量特征无法在真实网络中重放。生成实用且规避性的对抗攻击仍是一项研究挑战。本文提出 Liuer Mihou 攻击，其生成可实用且可重放的对抗网络数据包，能够绕过部署在物联网（Internet of Things, IoT）网络中的基于异常的 NIDS。Liuer Mihou 背后的核心思想是利用对抗可迁移性，并在受预定义变异操作约束的代理 NIDS 上生成对抗数据包以确保实用性。我们客观分析了 Liuer Mihou 针对四种基于 ML 的算法（LOF、OCSVM、RRCF 和 SOM）以及最先进的 NIDS Kitsune 的规避性。从我们的实验结果中，我们获得关于异常检测算法对抗可迁移性必要条件的宝贵见解。超越理论设定，我们在真实 IoT 测试床上重放对抗攻击以检验 Liuer Mihou 的实用性。此外，我们证明现有的特征级对抗防御无法防御 Liuer Mihou，并建设性地批评了特征级对抗防御的局限性。