SynGAN：利用 GAN 生成合成网络攻击
机器学习
2019-08-28 v1 机器学习
摘要
未考虑安全性的快速数字化转型导致了全球范围网络攻击的兴起。抵御这些攻击的第一道防线是网络入侵检测系统（NIDS）。然而，一旦部署，这些系统如同黑箱般运作，误报率高且有效性无法衡量。需要通过模拟真实世界的网络攻击变异来持续测试和改进这些系统。我们提出 SynGAN，一个利用生成对抗网络（GAN）生成对抗性网络攻击的框架。SynGAN 使用真实攻击流量生成恶意数据包流变异，可提升 NIDS 的攻击检测率。作为第一步，我们比较了 NSL-KDD 和 CICIDS2017 两个公开数据集，用于生成合成分布式拒绝服务（DDoS）网络攻击。我们使用梯度提升分类器评估攻击质量（真实 vs. 合成）。
引用
@article{arxiv.1908.09899,
title = {SynGAN: Towards Generating Synthetic Network Attacks using GANs},
author = {Jeremy Charlier and Aman Singh and Gaston Ormazabal and Radu State and Henning Schulzrinne},
journal= {arXiv preprint arXiv:1908.09899},
year = {2019}
}