基于序列生成对抗网络的包级对抗网络流量构造
密码学与安全
2023-04-03 v2
摘要
物联网(IoT)设备的激增严重威胁了当前的物联网安全格局,这需要稳健的网络入侵检测系统(NIDS)。尽管现有基于机器学习或深度学习的 NIDS 具有优越的检测精度,但它们易受对抗样本攻击。近年来,生成对抗网络(GANs)已成为构造对抗样本的主流方法。然而,包级网络流量的离散特性使得 GAN 难以构造对抗流量,因为 GAN 在生成图像合成等连续数据方面才高效。与以往将离散网络流量转换为灰度图像的方法不同,本文从 SeqGAN 在序列生成中使用策略梯度的思路获得启发。基于 SeqGAN 的结构,我们提出 Attack-GAN 来生成符合领域约束的包级对抗网络流量。具体而言,对抗包生成被形式化为一个序列决策过程。在此情形下,包中的每个字节被视为序列中的一个 token。生成器的目标是选择一个 token 以最大化其期望最终奖励。为绕过 NIDS 的检测,生成的网络流量与良性流量由一个黑盒 NIDS 进行分类。NIDS 返回的预测结果被输入判别器以指导生成器的更新。我们基于一个真实公开可用数据集生成恶意对抗流量,且保持攻击功能不变。实验结果验证了所生成的对抗样本能够欺骗许多现有的黑盒 NIDS。
引用
@article{arxiv.2103.04794,
title = {Packet-Level Adversarial Network Traffic Crafting using Sequence Generative Adversarial Networks},
author = {Qiumei Cheng and Shiying Zhou and Yi Shen and Dezhang Kong and Chunming Wu},
journal= {arXiv preprint arXiv:2103.04794},
year = {2023}
}
备注
The authors agreed to withdraw the manuscript due to privacy reason