.png){kind=icon}
返回
Exploring transferable adversarial attacks for Deep Learning-based Network Intrusion Detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jnca.2025.104255.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络入侵检测系统（NIDSs）越来越多地使用深度学习（DL）技术，因其性能优越。然而，一些研究表明，攻击者可以通过生成对抗性攻击流量（AAT）绕过基于DL的NIDSs。为了更好地理解基于DL的NIDS的脆弱性，越来越多的对抗性攻击已被提出。我们在研究这些攻击时观察到三个问题：(1) 某些攻击需要查询目标模型来构造AAT或替代模型，这不够隐蔽；(2) 由于修改特征时缺乏约束，生成的AAT不切实际；(3) 攻击方法在可扩展性方面有限。我们提出了一个名为SPTS的框架来解决这些问题。SPTS在黑盒场景下运行，无需访问目标模型。为生成实用的AAT，SPTS引入了特征层次化和校正。通过数学方法建立了特征之间的关联和约束。此外，我们在SPTS框架内实现了多种对抗性攻击算法，展示了其出色的可扩展性。将AAT映射为实际数据包以评估其迁移能力。此外，我们发现增强梯度的多样性可以进一步提高AAT的迁移能力。我们提出了基于SPTS的DGM算法，该算法通过随机变换输入来产生更鲁棒的梯度。在标准数据集上的实证评估证明了我们的SPTS和DGM的有效性和优越性。还提供了缓解SPTS和DGM的防御方法，并基于实验结果描述了其优缺点。代码可在https://github.com/maozhongshu1995/TransAdvAttForNIDS获取。
期刊
IF:
8
论文数:
3.7K
被引数:
1.1W
机构
引用论文
Black-box adversarial transferability: An empirical study in cybersecurity perspective.png)
COMPUTERS & SECURITY
OAAI
COMPUTERS & SECURITYIF5.4
OAAI分享收藏分享收藏Constraining Adversarial Attacks on Network Intrusion Detection Systems: Transferability and Defense Analysis约束网络入侵检测系统中的对抗性攻击：可迁移性与防御分析
PREAI
分享收藏Deep PackGen: A Deep Reinforcement Learning Framework for Adversarial Network Packet GenerationDeep PackGen：一种用于对抗网络数据包生成的深度强化学习框架
OAAI
OAAI分享收藏
查看更多内容