面向 IoT 网络中入侵检测系统的定向对抗流量生成：黑箱逃避攻击方法
密码学与安全
2026-03-25 v1 人工智能
摘要
将机器学习 (ML) 算法集成到物联网 (IoT) 应用中，带来了显著优势，同时也引入了对对抗攻击的脆弱性，尤其是在基于物联网的入侵检测系统 (IDS) 中。虽然理论上的对抗攻击已被广泛研究，但实际实现中的约束条件往往被忽视。本研究通过采用一种新颖的黑箱对抗攻击，评估了针对基于物联网网络的 IDS 逃避攻击的可行性。本研究旨在弥合理论漏洞与实际应用之间的差距，增强对现代物联网生态系统中高级威胁的理解与防御。此外，我们提出了一种针对缓解逃避攻击影响的防御方案，从而强化了基于机器学习的 IDS 的韧性。我们的发现表明，成功地对多种 IDS 实施了逃避攻击，凸显了其对先进技术的脆弱性。相比之下，我们提出的防御机制表现出稳健的性能，通过有效检测大部分对抗流量，显示出比当前最先进防御措施的有前景的结果。通过解决这些关键网络安全挑战，本研究推动了物联网安全的发展，并为开发更具韧性的 IDS 提供了见解。
引用
@article{arxiv.2603.23438,
title = {Targeted Adversarial Traffic Generation : Black-box Approach to Evade Intrusion Detection Systems in IoT Networks},
author = {Islam Debicha and Tayeb Kenaza and Ishak Charfi and Salah Mosbah and Mehdi Sehaki and Jean-Michel Dricot},
journal= {arXiv preprint arXiv:2603.23438},
year = {2026}
}
备注
Already published in International Journal of Machine Learning and Cybernetics. Debicha, I., Kenaza, T., Charfi, I. et al. Targeted adversarial traffic generation: black-box approach to evade intrusion detection systems in IoT networks. Int. J. Mach. Learn. & Cyber. 17, 58 (2026). https://doi.org/10.1007/s13042-025-02873-w