网络入侵检测系统对抗规避攻击与防御的可行性综述
密码学与安全
2023-03-14 v1 人工智能
摘要
如今，由于机器学习（ML）算法的显著成就，众多应用都融入了此类算法。然而，计算机视觉领域的许多研究表明，ML 可能被故意构造的实例（称为对抗样本）所欺骗。这些对抗样本利用了 ML 模型固有的脆弱性。近期的研究在网络安全领域引发了诸多担忧。越来越多的研究者正在研究此类基于 ML 算法的攻击（如入侵检测系统（IDS））在安全性系统上的可行性。此类对抗攻击的可行性会受到各种特定领域约束的影响，这可能增加构造对抗样本的困难。尽管该领域已完成大量研究，但其中多数侧重于展示利用从原始数据中提取的特征来欺骗模型是可行的，而未涉及实践层面，即从理论到反向转换的实践。为此，我们提出一篇综述，梳理多篇重要论文以提供全面分析。我们的分析凸显了所综述论文中尚未解决的一些挑战。
引用
@article{arxiv.2303.07003,
title = {Review on the Feasibility of Adversarial Evasion Attacks and Defenses for Network Intrusion Detection Systems},
author = {Islam Debicha and Benjamin Cochez and Tayeb Kenaza and Thibault Debatty and Jean-Michel Dricot and Wim Mees},
journal= {arXiv preprint arXiv:2303.07003},
year = {2023}
}
备注
Under review (Submitted to Computer Networks - Elsevier)