面向网络安全环境的模型无关无污染后门缓解技术

机器学习模型的训练阶段是一个脆弱的步骤，尤其是在网络安全情境下。近期研究浮现了一系列顽忠的训练时攻击，这些攻击在不改变训练标签的情况下植入后门。本文提出了新技术，利用网络安全威胁模型的洞见，有效缓解这些无污染投毒攻击，同时保持模型实用性。通过对精心选择的特征子空间进行基于密度的聚类，并通过一种新颖的迭代评分程序逐步隔离可疑聚类，我们的防御机制无需依赖现有后门防御文献中的许多常见假设，即可缓解攻击。为展示我们缓解方案的通用性，我们在两种经典网络安全数据模态上评估了两种无污染模型无关攻击：网络流分类和恶意软件分类，使用梯度提升和神经网络模型。