机器学习增强型入侵检测系统对隐蔽对抗者的鲁棒性
密码学与安全
2021-04-23 v1 人工智能
摘要
由机器学习（ML）增强的入侵检测系统（IDS）已展现出高效构建“正常”网络行为原型的能力，从而比传统基于规则的 IDS 更准确地检测网络威胁活动。由于这些系统在很大程度上是黑箱，其被接受需要证明对隐蔽对抗者的鲁棒性。由于不可能从完全不含恶意网络行为者活动的活动中建立基线（受控实验除外），已部署模型的训练数据将被混入分析人员希望收到告警的活动样本所毒化。我们在混有不同比例恶意活动的网络活动上训练了一个基于自编码器的异常检测系统，并证明它们对此类投毒具有鲁棒性。
引用
@article{arxiv.2104.10742,
title = {Robustness of ML-Enhanced IDS to Stealthy Adversaries},
author = {Vance Wong and John Emanuello},
journal= {arXiv preprint arXiv:2104.10742},
year = {2021}
}