Dec, 2023

增强深度学习入侵检测系统的对抗鲁棒性的简单框架

PDF
TL;DR提出了一种新颖的 IDS 结构，它通过结合传统机器学习模型和深度学习模型来增强 IDS 对抗敌对攻击的鲁棒性，该结构包含 DL-based IDS、adversarial example detector 和 ML-based IDS 三个组件，并使用 DL 模型高预测准确性和 DL 模型与 ML 模型之间的低攻击可转移性来改善整个系统的鲁棒性。实验证明，在遭受对抗攻击时，该 IDS 系统在预测性能方面显著提高，高准确率，资源消耗低。
deep learning based intrusion detection systemsadversarial attacksmachine learning modelsadversarial example detectorfusion mechanism
发现论文，激发创造
  • 评估与提升基于机器学习的网络入侵检测器的对抗鲁棒性

    本研究是首次系统地研究灰盒 / 黑盒交通空间对抗攻击来评估基于 ML 的 NIDS 的鲁棒性，攻击效果最高可达 97% 躲避率。研究提出可自动突变原始数据流、适用于多种 ML/DL 模型和非载荷特征的通用攻击，同时提出防御措施来提高系统鲁棒性。

    May, 2020

  • 深度神经网络模型的对抗样本检测：回顾与实验比较

    本文主要研究了针对神经网络分类器的测试时间攻击检测方法，并在不同数据集和场景下提供了八种最先进的检测器的实验结果，为此研究方向提供了挑战和未来的展望。

    May, 2021

  • 基于迁移学习的多对抗检测技术用于网络入侵检测系统的攻击逃避检测

    该研究旨在设计一种高效的基于转移学习的对抗检测器，并评估使用多个策略性放置的对抗检测器与单个对抗检测器相比在入侵检测系统中的有效性。通过将它们各自的决策相结合，我们证明结合多个检测器可以进一步提高对抗流量的可检测性。

    Oct, 2022

  • 深度迁移学习在入侵检测系统中的应用：综述

    本文重点介绍了基于深度迁移学习的入侵检测系统 (IDS)， 特别是在工业控制网络中的应用。通过回顾相关文献，介绍了不同类型的数据集，DTL 使用的种类，预训练网络，IDS 技术以及评估指标等，经过不同研究的比较分析，证明了基于 DTL 的 IDS 可以更好地提高网络安全性。

    Apr, 2023

  • 实时深度学习网络入侵检测系统中的白盒非定向攻击与启发式防御方法

    网络入侵检测系统（NIDS）是保护计算机网络免受各种网络攻击和网络安全威胁的关键组成部分。然而，如果 NIDS 本身受到攻击和漏洞，如何保卫防御者？本研究旨在涵盖与 NIDS、对抗性攻击及其防御机制相关的重要方面，以提高基于机器学习和深度学习的 NIDS 的鲁棒性。我们实施了四种强大的对抗性攻击技术，即快速梯度符号方法（FGSM）、雅可比敏感度图攻击（JSMA）、投影梯度下降（PGD）和 Carlini ＆ Wagner（C＆W）在 NIDS 中。我们详细分析了其在各种性能指标方面的性能。此外，我们实施了三种启发式防御策略，即对抗性训练（AT）、高斯数据增强（GDA）和高置信度（HC），以提高在对抗性攻击情况下的 NIDS 鲁棒性。完整的工作流程在实时网络与数据包流中演示，为对对抗性机器学习感兴趣的研究人员提供了整体背景。

    Oct, 2023

  • 网络入侵检测系统对抗性躲避攻击与防御的可行性评估

    该文章回顾了许多现有的针对机器学习模型的对抗攻击，突出了一些尚未解决的挑战，一些特定领域的约束可能会增加制作对抗样本的难度，也强调了如何将这些理论应用到实践的挑战。

    Mar, 2023

  • Adv-Bot：针对网络入侵检测系统的逼真对抗僵尸网络攻击

    本研究旨在调查是否有可能针对网络入侵检测系统进行逃逸攻击，并在黑盒环境下提出恶意交通流量攻击和防御机制。

    Mar, 2023

  • DeepAID：安全应用中基于深度学习的异常检测的解释与改进

    DeepAID 是一个用于解释无监督深度学习模型在安全领域异常检测系统中的通用框架，提供了一种新颖的解释方法，可以满足安全领域的特定要求，并提供了模型扩展来解决特定的问题。实验证明 DeepAID 可以为无监督深度学习模型提供高质量解释，同时有助于降低误报率。

    Sep, 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

  • 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