TANTRA：基于时序的对抗性网络流量重塑攻击
密码学与安全
2021-03-12 v1 机器学习
摘要
网络入侵攻击是已知威胁。为检测此类攻击，已开发并部署了网络入侵检测系统（NIDSs）。这些系统将机器学习模型应用于从网络流量提取的高维特征向量以检测入侵。NIDSs的进展使攻击者面临挑战，他们必须在不被这些系统检测到的情况下执行攻击。先前关于绕过NIDSs的研究主要集中于扰动从攻击流量中提取的特征以欺骗检测系统，但这可能损害攻击功能。本工作中，我们提出TANTRA，一种新颖的端到端基于时序的对抗性网络流量重塑攻击，可绕过多种NIDSs。我们的规避攻击利用长短期记忆（LSTM）深度神经网络（DNN），训练其学习目标网络良性数据包之间的时间差。训练后的LSTM用于设置恶意流量数据包（攻击）之间的时间差，而不改变其内容，使它们“表现”得像良性网络流量且不会被检测为入侵。我们在八种常见入侵攻击和三种最先进NIDS系统上评估TANTRA，在网络入侵检测系统规避中达到99.99%的平均成功率。我们还提出了一种应对此新规避攻击的缓解技术。
引用
@article{arxiv.2103.06297,
title = {TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack},
author = {Yam Sharon and David Berend and Yang Liu and Asaf Shabtai and Yuval Elovici},
journal= {arXiv preprint arXiv:2103.06297},
year = {2021}
}