面向物联网入侵检测与分类的对抗现实性与鲁棒学习
密码学与安全
2023-03-06 v3 人工智能
机器学习
摘要
物联网(IoT)面临巨大的安全挑战。机器学习模型可用于应对针对 IoT 系统日益增长的网络攻击变种，但对抗攻击带来的不断升级的威胁重申了可靠防御策略的必要性。本工作描述了现实对抗网络攻击示例所需的约束类型，并提出了一种基于现实对抗规避攻击向量的可信对抗鲁棒性分析方法。所提方法用于评估三种监督算法——随机森林(RF)、极端梯度提升(XGB)和轻量梯度提升机(LGBM)，以及一种无监督算法孤立森林(IFOR)。使用自适应扰动模式方法(A2PM)生成受约束对抗样本，并对常规训练与对抗训练所建模型实施规避攻击。尽管 RF 在二分类中受影响最小，XGB 在多分类中始终取得最高准确率。所得结果证明了基于树的算法及集成模型固有的对抗规避攻击易感性，并展示了对抗训练与安全设计方法对更鲁棒的 IoT 网络入侵检测与网络攻击分类的益处。
引用
@article{arxiv.2301.13122,
title = {Towards Adversarial Realism and Robust Learning for IoT Intrusion Detection and Classification},
author = {João Vitorino and Isabel Praça and Eva Maia},
journal= {arXiv preprint arXiv:2301.13122},
year = {2023}
}
备注
19 pages, 5 tables, 7 figures, Annals of Telecommunications journal