面向物联网入侵检测和分类的对抗现实和强韧学习

MMJan, 2023

面向物联网入侵检测和分类的对抗现实和强韧学习

Towards Adversarial Realism and Robust Learning for IoT Intrusion Detection and Classification

João Vitorino, Isabel Praça, Eva Maia

TL;DR本文使用机器学习模型应对物联网系统中的不断增长的网络攻击数量，但对抗性攻击的威胁加大了对可靠防御策略的需求，描述了逼真的对抗性网络攻击示例所需的约束类型，并提出了一种可靠的对抗性鲁棒性分析方法，该方法通过适应性扰动模式方法 (A2PM) 生成约束性对抗性示例，针对常规和对抗性训练生成的模型执行了逃避攻击，并评估了三种有监督算法 (Random Forest (RF)、Extreme Gradient Boosting (XGB)、Light Gradient Boosting 机器 (LGBM)) 和一种无监督算法 (Isolation Forest (IFOR))，证明了基于树的算法和集成对对抗性攻击的固有易感性，展示了在 IoT 网络入侵检测和网络攻击分类中采用安全设计和对抗性训练方法带来更强大鲁棒性的好处。

Abstract

The internet of things (IoT) faces tremendous security challenges. Machine learning models can be used to tackle the growing number of cyber-attack variations targeting IoT systems, but the increasing threat posed by ad

internet of things machine learning adversarial attacks cybersecurity intrusion detection

发现论文，激发创造

企业网络入侵检测的对抗鲁棒性评估

提出了一种方法论性对多个决策树集成模型进行对抗鲁棒性评估的基准测试，评估了正常和对抗训练的随机森林 (RF)、梯度提升树 (XGB)、轻梯度提升树 (LGBM) 和增强型决策树 (EBM) 模型对网络流量的检测性能，通过减少误报来提高对可疑活动的可靠检测能力。

Feb, 2024

适应性扰动模式：用于强健入侵检测的逼真对抗学习

该论文介绍了一种基于自适应扰动模式的方法，用于在灰盒情况下生成具有真实性的对抗样本，通过对企业和物联网网络进行案例研究，证明了该方法提供了可扩展的对抗样本生成技术，并在对抗训练和攻击中具有优势。

Mar, 2022

对抗性环境下的网络安全异常检测

本文旨在探讨在 IoBT 的环境下，通过成本效益较高的无监督学习和基于图的方法来检测入侵网络系统中的异常情况，同时采用集成方法进行监督学习的异常检测，研究结果表明，采用两级的监督堆叠集成方法能更好地识别出恶意活动。

May, 2021

针对网络入侵检测系统的逼真对抗攻击建模

通过对网络入侵检测系统进行基于机器学习的威胁模拟，发现现有文献中的威胁模型不适用于实际的网络安全情景，因此，有必要加强现有防御系统以及探索更加真实和有效的对抗方式。

Jun, 2021

基于集成分类器的工业物联网鲁棒性攻击检测方法

本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。

Jan, 2021

评估事件识别模型的鲁棒性的对抗方法

使用物理模态分解方法提取特征进行事件分类，使用可解释的分类器如逻辑回归和梯度提升进行两种事件的区分，研究了对抗攻击对分类器的鲁棒性影响。实验结果表明，相对简单的模型如逻辑回归对对抗攻击更容易受到影响。

Feb, 2024

以敌对深度学习的视角看 IoT 网络安全

探讨机器学习在物联网（IoT）中的应用，应用对抗机器学习技术对欺骗攻击，协作攻击和干扰攻击进行防御，以提高数据发送的成功率和吞吐量。

May, 2019

通过对抗性训练提高机器学习的稳健性

研究了机器学习的鲁棒性，使用集中式和分散式环境进行对抗训练，结果显示比现有研究提高了 18.41% 和 47% 的准确性，并提出了独立同分布和非独立同分布数据的 IID 数据共享方法，可提高自然准确性和鲁棒准确性。

Sep, 2023

优化的集成模型以实现安全的工业物联网设备

提出了一种基于贝叶斯优化 - 高斯过程（BO-GP）和集成树状学习模型的框架，以提高工业物联网环境中入侵和攻击检测的性能。实验结果显示，与标准树模型和集成树模型相比，该框架在检测精度、准确率和 F-score 方面有所提高。

Jan, 2024

工控系统中机器学习网络安全防御的对抗攻击

该研究探讨了如何使用对抗性学习通过生成基于 Jacobian 的显著性图攻击的对抗性样本以及探索分类行为，从而攻击监督模型。该分析还包括如何使用对抗性训练来支持监督模型的鲁棒性。随着对抗性样本的出现，两个广泛使用的分类器 —— 随机森林和 J48 的分类性能分别降低了 16 和 20 个百分点，但训练后它们的性能得到提高，证明了它们对这种攻击的鲁棒性。

Apr, 2020