厘清对抗攻击跨计算机网络可迁移性的增强机理
密码学与安全
2023-11-08 v1 人工智能
机器学习
摘要
卷积神经网络（CNN）模型在各种技术领域取得最先进性能方面发挥着至关重要的作用。CNN不仅限于自然语言处理（NLP）或计算机视觉（CV），在其他技术领域也有大量应用，特别是在网络安全中。CNN模型的可靠性可能因其易受对抗攻击而受损，此类攻击可轻松生成、易于实施，并在现实场景中实现迁移。本文提出一种新颖且全面的方法，用于增强攻击强度并评估CNN中对抗样本在强度变化时的可迁移性，以及探讨可迁移性属性问题是否存在于计算机网络应用中。在我们的研究中，最初考察了六种不同攻击模式：Carlini和Wagner（C&W）、快速梯度符号法（FGSM）、迭代快速梯度符号法（I-FGSM）、基于雅可比显著图（JSMA）、有限内存Broyden-Fletcher-Goldfarb-Shanno（L-BFGS）和投影梯度下降（PGD）攻击。我们将这些攻击技术应用于两个流行数据集：CIC和UNSW数据集。实验结果表明，在FGSM、JSMA、LBFGS及其他攻击的目标场景中可迁移性有所提升。我们的发现进一步表明，即便在计算机网络应用中，对抗样本所带来的安全威胁也亟需开发新型防御机制，以增强基于深度学习（DL）技术的安全性。
引用
@article{arxiv.2311.03373,
title = {Unscrambling the Rectification of Adversarial Attacks Transferability across Computer Networks},
author = {Ehsan Nowroozi and Samaneh Ghelichkhani and Imran Haider and Ali Dehghantanha},
journal= {arXiv preprint arXiv:2311.03373},
year = {2023}
}