基于区块链的联邦森林车载网络入侵检测系统中对抗样本的统计检测
密码学与安全
2022-07-12 v1 人工智能
摘要
车联网（internet-of-Vehicle, IoV）可促进联网车辆（connected vehicles, CV）、自动驾驶车辆（autonomous vehicles, AV）与其他 IoV 实体之间的无缝连接。用于 IoV 网络的入侵检测系统（Intrusion Detection Systems, IDSs）可依赖机器学习（machine learning, ML）来保护车载网络免受网络攻击。基于区块链的联邦森林（Blockchain-based Federated Forests, BFFs）可用于基于 IoV 实体数据训练 ML 模型，同时保护数据机密性并降低数据被篡改的风险。然而，以此方式创建的 ML 模型仍易遭受使用对抗样本的规避、投毒和探测攻击。本文研究了各类可能对抗样本对 BFF-IDS 的影响。我们提出集成一个统计检测器以检测并提取未知对抗样本。通过将检测到的未知样本纳入检测器的数据集，我们用一个附加模型增强 BFF-IDS，以检测原始已知攻击与新的对抗输入。该统计对抗检测器在样本量为 50 和 100 个输入样本时可信地检测出了对抗样本。此外，增强后的 BFF-IDS（BFF-IDS(AUG)）以超过 96% 的准确率成功缓解了对抗样本。采用此方法，每当检测到对抗样本时，模型将在沙箱中持续增强，随后采用 BFF-IDS(AUG) 作为活跃安全模型。因此，所提出的统计对抗检测器集成及随后用检测到的对抗样本增强 BFF-IDS 的方案，提供了一个针对对抗样本与其他未知攻击的可持续安全框架。
引用
@article{arxiv.2207.04843,
title = {Statistical Detection of Adversarial examples in Blockchain-based Federated Forest In-vehicle Network Intrusion Detection Systems},
author = {Ibrahim Aliyu and Selinde van Engelenburg and Muhammed Bashir Muazu and Jinsul Kim and Chang Gyoon Lim},
journal= {arXiv preprint arXiv:2207.04843},
year = {2022}
}