PHANTOM：面向威胁对象建模的渐进式高保真对抗网络
密码学与安全
2025-12-19 v1 人工智能
机器学习
摘要
网络攻击数据的稀缺性阻碍了鲁棒入侵检测系统的开发。本文引入 PHANTOM，一个用于生成高保真合成攻击数据的新型对抗变分框架。其创新点包括渐进式训练、双路径 VAE-GAN 架构以及针对攻击语义的域特定特征匹配。在评估 10 万个网络流量样本后，基于 PHANTOM 数据训练的模型在真实攻击上实现 98% 的加权准确率。统计分析确认合成数据保留了真实的分布和多样性。我们注意到在生成罕见攻击类型方面存在局限，这凸显了严重类别不平衡的挑战。该工作推进了用于训练鲁棒、隐私保护检测系统的合成数据生成。
引用
@article{arxiv.2512.15768,
title = {PHANTOM: Progressive High-fidelity Adversarial Network for Threat Object Modeling},
author = {Jamal Al-Karaki and Muhammad Al-Zafar Khan and Rand Derar Mohammad Al Athamneh},
journal= {arXiv preprint arXiv:2512.15768},
year = {2025}
}