GANfather：用于生成可控恶意活动以改进防御系统的方法
机器学习
2023-07-27 v1 密码学与安全
摘要
用于辅助防御系统检测恶意活动的机器学习方法通常依赖标注数据。在某些领域中，此类标注数据不可用或不完整。实践中这会导致低检测率与高误报率，例如反洗钱系统即具此类特征。事实上，据估计每年有 1.7--4 万亿欧元被洗钱且未被发现。我们提出 The GANfather，一种无需标签要求即可生成具恶意活动属性样本的方法。我们通过在典型生成对抗网络（GANs）损失中引入额外目标来奖励恶意样本的生成。最终，我们的目标是利用判别器网络作为一种新颖且鲁棒的防御系统来增强对非法活动的检测。可选地，我们可鼓励生成器绕过既有检测系统。该设置随后揭示防御弱点以供判别器修正。我们在两个真实用例——洗钱与推荐系统中评估了我们的方法。前者中，我们的方法通过账户网络转移累计近 35 万美元而未遭现有系统检测。后者中，我们以少至 30 个合成攻击者为广泛用户群推荐目标物品。两种情况下，我们都训练了新的防御系统以捕获合成攻击。
引用
@article{arxiv.2307.13787,
title = {The GANfather: Controllable generation of malicious activity to improve defence systems},
author = {Ricardo Ribeiro Pereira and Jacopo Bono and João Tiago Ascensão and David Aparício and Pedro Ribeiro and Pedro Bizarro},
journal= {arXiv preprint arXiv:2307.13787},
year = {2023}
}