KDDSep, 2018

IDSGAN: 针对入侵检测的攻击生成的生成对抗网络

PDF
TL;DR本文提出了一种基于生成对抗网络的攻击框架 IDSGAN，用于欺骗和逃避检测来攻击入侵检测系统中的黑匣子攻击，通过针对多个基于算法的检测模型的比较实验，证明了该模型的鲁棒性和有效性。
intrusion detection systemmachine learningadversarial attacksgenerative adversarial networksblack-box attacks
发现论文，激发创造
  • 使用 EBGAN 进行异常入侵检测

    该研究提出了一种基于 EBGAN 的入侵检测方法，IDS-EBGAN，旨在将网络记录分类为正常流量或恶意流量，该方法使用生成对抗网络（GANs）的强大建模能力解决网络流量巨大而复杂的问题，并采用重新构建误差的方法在测试阶段对流量记录进行分类 。

    Jun, 2022

  • AI-GAN：攻击启发的对抗样本生成

    本文提出了一种新的框架 Attack-Inspired GAN，它可以通过联合训练的生成器、鉴别器和攻击器，以更有效的方式生成攻击性畸变，从而实现对图像分类任务的攻击成功率提高和生成时间的减少。

    Feb, 2020

  • DRL-GAN: 一种二进制和多类网络入侵检测的混合方法

    本文研究如何使用生成对抗网络合成的数据来训练深度强化学习模型，实现对于网络入侵检测中罕见攻击类型的有效分类。研究结果表明，使用特定合成数据集进行 DRL 模型的训练可比使用真实数据集得到更佳的分类表现。

    Jan, 2023

  • 基于 GAN 的黑盒攻击生成对抗恶意软件实例

    本论文提出一种名为 MalGAN 的生成对抗网络 (GAN) 算法来生成对手样本，以绕过基于黑盒机器学习的检测模型，相对于传统的基于梯度的对手样本生成算法，MalGAN 能够将检测率降至几乎为零，并使基于重新训练的防御方法难以奏效。

    Feb, 2017

  • Defense-GAN: 使用生成模型保护分类器免受对抗攻击

    Defense-GAN 使用生成模型来抵御深度神经网络受到的对抗性攻击，并不需要修改分类器结构或者训练过程，可以适用于任何分类模型，并且不需要了解生成对抗性示例的过程。在不同的攻击方法下，实验证明 Defense-GAN 对抗性攻击防御策略具有一致的有效性，并可以提高现有的防御策略。

    May, 2018

  • 移动众感知中基于生成对抗网络的对抗任务检测

    本文提出了一种基于 GAN 的模型，通过将 GAN 判别器与二元分类器相结合，预防对手伪造任务，从而检测智能设计的非法传感服务请求。模拟结果表明，与单层二元分类器相比，提出的方法将对抗攻击检测率从 0% 提高到 97.5%，提高了三个二元分类器的原始攻击检测率。

    Feb, 2022

  • 基于生成对抗网络的主机入侵检测异常生成

    使用 Cycle-GAN 生成异常数据并训练模型以检测入侵，证明生成对抗网络在异常数据生成方面的潜力，AUC 提升至 0.71，异常检测率从 17.07% 提高至 80.49%

    Dec, 2018

  • 使用对抗网络生成对抗性样本

    本文提出了 AdvGAN，一种使用生成对抗网络产生高感知质量的对抗样本的方法，可以更高效地生成对抗性的扰动用于敌对训练，同时在半白盒和黑盒攻击设置下，AdvGAN 都能在 MNIST 黑盒攻击竞赛中取得 92.76％的攻击成功率。

    Jan, 2018

  • AR-GAN: 面向自动驾驶交通标志分类系统的对抗攻击的生成对抗网络防御方法

    该研究提出了一种基于生成对抗网络（GAN）的自主车辆中交通标志分类的防御方法，名为 AR-GAN。AR-GAN 的创新之处在于：（一）假设对抗攻击模型和样本没有任何先验知识，（二）在各种对抗攻击类型下均提供一致高的交通标志分类性能。AR-GAN 分类系统由一个通过重构去噪的生成器和一个分类重构图像的分类器组成。该研究测试了 AR-GAN 在无攻击和各种对抗攻击下的性能，并将其与几种基准对抗防御方法进行了比较。结果表明，AR-GAN 和基准防御方法均能抵御黑盒攻击，并能达到与未扰动图像相似的分类性能。然而，在所有考虑的白盒攻击中，AR-GAN 方法优于基准防御方法。此外，在不同的白盒对抗扰动程度下，AR-GAN 能够保持其高的分类性能，而其他防御方法的性能在增加扰动程度时会急剧下降。

    Dec, 2023

  • 低功耗 S2CGAN-IDS 对极度不平衡的 IoT 网络进行有效入侵检测

    提出使用 S2CGAN-IDS 框架解决 IoT 网络中长期存在的类不平衡问题，通过利用网络流量的分布特征在数据空间和特征空间扩展少数类，保证多数类的检测精度的同时，显著提高少数类的检测率，实验结果表明，与优越方法相比，该方法在精度和召回率方面均表现优异，并且 F1 得分有 10.2% 的提高。

    Jun, 2023