REAL-IoT：评估基于图神经网络入侵检测系统在实际对抗攻击下的鲁棒性
密码学与安全
2025-07-16 v1
摘要
基于图神经网络（GNN）的网络入侵检测系统（NIDS）通常仅在单一数据集上进行评估，限制了其在分布漂移情况下的泛化能力。此外，这些系统的对抗鲁棒性通常仅通过人工合成的扰动来评估，而缺乏现实性。这种测量差距导致对GNN-based NIDS韧性的高估。为克服这些局限性，我们提出了‚REAL-IoT”——一个用于评估IoT环境下基于图神经网络入侵检测系统鲁棒性的综合框架。该框架提出了一种方法，构建统一数据集以评估分布漂移下的泛化能力。此外，它包含一个来自物理IoT测试平台收集的新型入侵数据集，能够在真实场景下捕获网络流量和攻击情形。我们进一步探讨了利用大语言模型（LLM）分析网络数据并通过过滤可疑流量来减轻对抗样本影响的可能性。我们的评估结果表明，与标准基准测试相比，GNN模型在实际攻击和分布漂移下的性能有显著下降，从而量化了其易受漂移和真实攻击的脆弱性。我们还展示了基于LLM的过滤技术可提升鲁棒性的潜力。这些发现凸显了在开发具鲁棒性的IoT入侵检测系统时，必须采用真实威胁建模和严谨的测量实践的必要性。
关键词
引用
@article{arxiv.2507.10836,
title = {REAL-IoT: Characterizing GNN Intrusion Detection Robustness under Practical Adversarial Attack},
author = {Zhonghao Zhan and Huichi Zhou and Hamed Haddadi},
journal= {arXiv preprint arXiv:2507.10836},
year = {2025}
}