.png){kind=icon}
返回
Loss-Guided Dynamic Step Adversarial Attack Algorithm for Network Intrusion Detection Systems
.png){kind=icon}
PRE
AI
DOI：10.1002/cpe.70340.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度神经网络（DNNs）最近在网络安全领域取得了显著成功，基于深度神经网络的入侵检测系统（IDSs）能够从网络流量中自动学习潜在模式并检测恶意流量。然而，IDSs容易受到对抗性网络流量的攻击，这削弱了它们的防御能力。因此，IDSs需要高质量的对对抗流量进行对抗训练以提高鲁棒性。现有的对抗样本生成算法主要关注基于图像的应用，忽视了网络流量的文本特征，并且未能充分考虑扰动幅度。为应对这些挑战，本文提出了一种面向损失的动态步长对抗攻击（LGDA）和一种离散对抗舍入（DAR）方案。LGDA通过分析模型损失趋势并动态调整扰动步长来平衡攻击效果和扰动幅度。DAR针对网络流量中的离散文本特征，利用整数编码和舍入操作允许部分保留扰动方向，确保现有对抗攻击算法与网络流量的兼容性。与最先进的对抗攻击相比，在NSL-KDD、UNSW-NB15和CIC-IDS2017数据集上使用五个模型（LR、MLP、CNN、LSTM和Transformer）的实验结果表明，LGDA将攻击成功率提高了12.9%，并将扰动幅度降低了19.1%。此外，DAR方案可以集成到网络安全领域的任何对抗攻击算法中，使对抗样本的攻击成功率提高了6.9%。
Keyword:
adversarial sample
dynamic step size
network intrusion detection
network traffic
white-box adbersarial attack
期刊
C
IF:
1.5
论文数:
473
被引数:
0
机构
引用论文
Watermark-embedded Adversarial Examples for Copyright Protection against Diffusion Models用于对抗扩散模型的版权保护水印嵌入对抗样本
PREAI
分享收藏How Deep Learning Sees the World: A Survey on Adversarial Attacks & Defenses深度学习如何看待世界: 对抗性攻击与防御调查.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Self-supervised hate speech detection in Norwegian texts with lexical and semantic augmentations
OAAI
OAAI分享收藏
查看更多内容