使用PANTS增强基于ML的网络分类器的鲁棒性
密码学与安全
2025-02-04 v3 网络与互联网体系结构
摘要
从资源分配到入侵检测，许多网络管理任务都依赖于某种形式的基于机器学习的网络流量分类（MNC）。尽管具有潜力，但MNC容易受到对抗性输入的影响，这可能导致服务中断、决策失误和安全违规等问题。本文旨在帮助网络运营商评估和增强其MNC对抗对抗性输入的鲁棒性。最关键的一步是生成能够在各种威胁模型下实现且能欺骗MNC的输入。与其他机器学习模型相比，由于存在不可微分的组件（例如流量工程）以及需要约束输入以保持语义和确保可靠性，为MNC寻找对抗性输入更具挑战性。这些因素阻碍了对抗性机器学习（AML）中成熟的基于梯度的方法的直接使用。为应对这些挑战，我们引入了PANTS，一个实用的白盒框架，它独特地将AML技术与可满足性模理论（SMT）求解器相结合，为MNC生成对抗性输入。我们还将PANTS嵌入到一个迭代的对抗训练过程中，以增强MNC对抗对抗性输入的鲁棒性。与最先进的基线方法Amoeba和BAP相比，PANTS找到针对目标MNC的对抗性输入的中位数可能性高出70%和2倍。PANTS将目标MNC的鲁棒性提高了52.7%（即使面对鲁棒化过程中未考虑的对手），且不牺牲其准确性。
引用
@article{arxiv.2409.04691,
title = {Robustifying ML-powered Network Classifiers with PANTS},
author = {Minhao Jin and Maria Apostolaki},
journal= {arXiv preprint arXiv:2409.04691},
year = {2025}
}