Adversarial attacks against multi-layer perceptron on DDoS data

doi:10.1186/s42400-025-00447-5

2026-04-23

Dyari Mohammed Sharif

Hakem Beitollahi

DOI：10.1186/s42400-025-00447-5

原文链接

查看原文

摘要

En 中文

多层感知器因其能够高精度区分恶意与良性流量而被广泛用于分布式拒绝服务（DDoS）检测。然而，其对对抗性扰动（可规避检测的细微输入修改）的脆弱性尚未得到充分研究，这给实际部署带来了重大风险。本研究评估了基于CICIDS2017和CICDDoS2019基准训练的最新多层感知器模型（Sharif等人，IEEE Access 11:51810–51819, 2023）的易感性，该模型基准准确率为99.1%。我们证明，微小的协议合规扰动（如调整Flow IAT Mean）可使准确率从99.1%降至1.5%——暴露了部署系统中的关键运行风险。与以往的基于梯度的攻击不同，我们的方法无需内部模型知识，使资源有限的攻击者也能实际利用。我们探索了三种攻击策略：扰动恶意样本以诱导假阴性（准确率降至64.5%）、扰动良性样本以放大假阳性（准确率降至36.2%），以及同时扰动两类样本（准确率降至1.5%）。此外，我们发现对抗性再训练仅部分缓解风险（恢复至93.4%），要求持续调整防御策略。这些发现强调了在DDoS检测系统中评估对抗性风险与传统的性能指标同等重要。

Keyword:

DDoS

Machine learning

Adversarial attacks

Adversarial learning

Computer Science

general

Cybercrime

Computer Applications

AI总结

对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

Cybersecurity

IF:

3.7

论文数:

590

被引数:

1.0K

机构

computer science department

学者数:

280

论文数: 176

被引数: 0

引用论文

Array programming with NumPy 使用NumPy进行数组编程

Nature

IF0

2020-09-16

OAAI

Charles R. Harris; K. Jarrod Millman; Stéfan J. van der Walt; Ralf Gommers; Pauli Virtanen; David Cournapeau; Eric Wieser; Julian Taylor; Sebastian Berg; Nathaniel J. Smith; Robert Kern; Matti Picus; Stephan Hoyer; Marten H. van Kerkwijk; Matthew Brett; Allan Haldane; Jaime Fernández del Río; Mark Wiebe; Pearu Peterson; Pierre Gérard-Marchant; Kevin Sheppard; Tyler Reddy; Warren Weckesser; Hameer Abbasi; Christoph Gohlke; Travis E. Oliphant

Detection of Adversarial DDoS Attacks Using Generative Adversarial Networks with Dual Discriminators 使用双判别器的生成对抗网络检测对抗性DDoS攻击

Symmetry

IF0

2022-01-04