.png){kind=icon}
返回
Adversarial Robustness Evaluation for Multi-View Deep Learning Cybersecurity Anomaly Detection
.png){kind=icon}
OA
AI
DOI：10.3390/fi17100459.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在演变的网络安全威胁态势中，入侵检测系统（IDSs）面临的关键挑战在于防御精心构造的对抗性攻击。传统的单视图检测框架因其依赖有限且一维的特征表示而受限，往往难以识别恶意操纵的样本。为解决这些局限性，本研究提出了一个核心假设：采用多视图融合策略的检测架构可以显著增强系统对攻击的鲁棒性。为验证所提出的假设，本研究开发了一种多视图融合架构，并进行了一系列对比实验。采用了一种双轨验证框架。首先，我们检验了多视图融合模型在入侵检测任务中是否比单视图模型表现出更优的鲁棒性，从而为多视图策略的有效性提供了实证依据。其次，我们评估了多视图模型在不同攻击强度和覆盖程度下的泛化能力，考察了其在复杂对抗场景中的稳定性。方法上，引入了一种双轴训练评估方案，包括（i）扰动强度的连续梯度测试，其中ε参数从0.01增加到0.2，以及（ii）攻击密度的变化，样本污染率范围为80%至90%。对抗测试样本通过在TON_IoT和UNSW-NB15数据集上使用快速梯度符号法（FGSM）生成。此外，我们提出了一种整合性能与鲁棒性测试的验证机制。模型分别在干净和对抗测试集上进行评估。通过分析性能保持度和对抗鲁棒性，我们在不同评估条件下对多视图模型的稳定性进行了全面评估。实验结果明确支持研究假设：多视图融合模型在对抗场景下比单视图模型更鲁棒。即使在高强度攻击场景下，多视图模型也持续表现出更优的鲁棒性和稳定性。更重要的是，多视图模型通过其架构特征多样性，有效抵御了单视图模型易受攻击的目标攻击，证实了特征空间冗余在增强对抗鲁棒性中的关键作用。
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
IF:
3.6
论文数:
1.3K
被引数:
6.5K
机构
引用论文
Bai, J.; Ju, L. Intrusion Detection Algorithm Based on Adversarial Autocoder. J. Southwest China Norm. Univ. Nat. Sci. Ed. 2021, 46, 77–83. [Google Scholar] [CrossRef]Bai, J.; Ju, L. 基于对抗自编码器的入侵检测算法. J. Southwest China Norm. Univ. Nat. Sci. Ed. 2021, 46, 77–83. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏An enhanced ensemble defense framework for boosting adversarial robustness of intrusion detection systems一种增强型集成防御框架，用于提升入侵检测系统的对抗鲁棒性SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Robust detection for network intrusion of industrial IoT based on multi-CNN fusionMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Systematic literature review on intrusion detection systems: Research trends, algorithms, methods, datasets, and limitations入侵检测系统领域的系统文献综述：研究趋势、算法、方法、数据集及局限性OAAI
OAAI分享收藏Chowdhury, K. Adversarial Machine Learning: Attacking and Safeguarding Image Datasets. In Proceedings of the 2024 4th International Conference on Ubiquitous Computing and Intelligent Information Systems (ICUIS), Gobichettipalayam, India, 12–13 December 2024; pp. 1360–1365. [Google Scholar] [CrossRef]Chowdhury, K. 对抗性机器学习：攻击和保护图像数据集。载于2024年第4届国际普适计算和智能信息系统会议（ICUIS）论文集，印度戈比切蒂帕拉亚姆，2024年12月12-13日；第1360-1365页。 [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏分享收藏
查看更多内容