SoK：针对SDN-IoT网络中自主异常检测系统深度学习方法的对抗性威胁系统分析
密码学与安全
2025-10-01 v1 人工智能
摘要
软件定义网络(SDN)与物联网(IoT)的集成增强了网络控制和灵活性。基于深度学习(DL)的自主异常检测(AAD)系统通过在SDN-IoT网络中实现实时威胁检测来提高安全性。然而，这些系统仍然容易受到对抗性攻击，这些攻击会操纵输入数据或利用模型弱点，从而显著降低检测精度。现有研究缺乏对SDN-IoT环境中基于DL的AAD系统特有的对抗性脆弱性的系统分析。本SoK研究引入了一个结构化的对抗性威胁模型和一个全面的攻击分类法，将攻击分为数据级、模型级和混合级威胁。与以往研究不同，我们在流行的基准数据集上系统地评估了白盒、黑盒和灰盒攻击策略。我们的研究结果表明，对抗性攻击可将检测精度降低高达48.4%，其中成员推理攻击造成的下降最为显著。C&W和DeepFool攻击实现了较高的逃逸成功率。然而，对抗性训练增强了鲁棒性，但其高昂的计算开销限制了在SDN-IoT应用中的实时部署。我们提出了自适应对策，包括实时对抗性缓解、增强的再训练机制以及可解释的AI驱动的安全框架。通过整合结构化的威胁模型，本研究提供了一种比以往研究更全面的攻击分类、影响评估和防御评估方法。我们的工作揭示了现有基于DL的AAD模型中的关键脆弱性，并为提高弹性、可解释性和计算效率提供了实用建议。本研究可作为研究人员和从业者寻求增强SDN-IoT网络中基于DL的AAD安全性的基础参考，提供了一个基于先前实证研究的系统化对抗性威胁模型和概念性防御评估。
引用
@article{arxiv.2509.26350,
title = {SoK: Systematic analysis of adversarial threats against deep learning approaches for autonomous anomaly detection systems in SDN-IoT networks},
author = {Tharindu Lakshan Yasarathna and Nhien-An Le-Khac},
journal= {arXiv preprint arXiv:2509.26350},
year = {2025}
}