TEAM：面向基于RNN的网络入侵检测系统的时间对抗性示例攻击模型
密码学与安全
2024-09-20 v1 人工智能
摘要
随着人工智能的发展，神经网络在网络入侵检测系统(NIDS)中发挥着关键作用。尽管具有巨大优势，神经网络却容易受到对抗攻击。为提高NIDS的可靠性，已conduct大量研究并提出了众多解决方案。然而，现有解决方案很少考虑针对具有时间步长的循环神经网络(RNN)的对抗攻击，这会严重影响NIDS在实际世界中的应用。因此，我们首先提出了一种基于特征重构的新颖RNN对抗攻击模型，称为时间对抗性示例攻击模型(TEAM)，应用于时间序列数据，揭示了对抗性与RNN中时间步长之间潜在联系，即，同一时间步长中的过去对抗性示例会触发对当前或未来原始示例的进一步攻击。此外，TEAM利用时间稀释(TD)有效地缓解同一时间步长中对抗性示例之间的时序效应。实验结果表明，在大多数攻击类别中，TEAM提高了NIDS在黑箱和白箱中的误判率，使误判率达到96.68%。同时，针对后续原始样本的最大误判率提升超过95.57%。
引用
@article{arxiv.2409.12472,
title = {TEAM: Temporal Adversarial Examples Attack Model against Network Intrusion Detection System Applied to RNN},
author = {Ziyi Liu and Dengpan Ye and Long Tang and Yunming Zhang and Jiacheng Deng},
journal= {arXiv preprint arXiv:2409.12472},
year = {2024}
}