基于深度强化学习的逃避式生成对抗网络用于僵尸网络检测

Oct, 2022

Deep Reinforcement Learning based Evasion Generative Adversarial Network for Botnet Detection

Rizwan Hamid Randhawa, Nauman Aslam, Mohammad Alauthman, Muhammad Khalid, Husnain Rafiq

TL;DR本文提出一种名为 RELEVAGAN 的 GAN 模型，结合深度强化学习（DRL）产生语义感知的样本以抵抗对基于机器学习的僵尸网络检测器的对抗性规避攻击。

Abstract

botnet detectors based on machine learning are potential targets for adversarial evasion attacks. Several research works employ adversaria

发现论文，激发创造

机器学习在网络安全领域，尤其是恶意软件检测和预防方面引起了越来越多的关注和兴趣。本研究提出了一种通过结合生成对抗网络（GANs）和强化学习（RL）来应对合集学习型检测器的变异系统，克服了现有模型的局限性。实验证明，该模型在保持可执行文件格式、可执行性和恶意性方面取得了一定的成功率。

Sep, 2023

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

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

提出了一种名为 EGAN 的攻击框架，该框架利用进化策略和生成对抗网络选择攻击动作序列，以改变勒索软件文件的行为，从而绕过大部分 AI 型商业杀毒系统，并增加了绕过其他商业非 AI 型杀毒解决方案的概率。

May, 2024

使用改进的生成对抗网络 (EGAN) 作为深度强化学习代理初始化器，加速深度强化学习在实际系统中的学习速率，特别适用于数据采样稀疏和缓慢的实时系统。

May, 2017

本文研究了机器学习系统 API 接口的安全性，介绍了探索性攻击和生成对抗网络等技术，并提出了一种具有实际意义的方法，通过生成合成数据扩展样本数据来提高模型性能，从而使敌对机器学习更加实用。

Jan, 2019

本文利用自编码器生成低维度语句向量空间，再用生成对抗网络利用这个空间生成真实文本，与竞争基线相比，经人工审核和 BLEU 分数表明模型可以生成逼真的文本。

Oct, 2018

该论文提出了一种基于生成对抗网络 (GAN) 框架下的新防御机制来对抗黑盒攻击，在经验上表现良好并能与利用梯度下降的集成对抗训练和对抗训练等最先进的方法媲美。

May, 2019

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

提出一种新的生成模型来攻击代理并探索深度强化学习的易受攻击性，通过针对深度强化学习的行动一致性率和新的有效性与隐蔽性测量指标，实现针对性攻击和非针对性攻击，并展示了该方法相比其他算法在攻击的效果和隐蔽性方面的优势以及验证深度强化学习易受攻击性的高效快速性。

Dec, 2023