机构名称：
¥ 3.0
一些研究论文研究了基于 ML 的 IDS 面对对抗性攻击的脆弱性，但其中大多数集中在基于深度学习的分类器上。与它们不同，本文更加关注浅层分类器，由于它们的成熟度和实现的简单性，它们仍然广泛用于基于 ML 的 IDS。更详细地，我们评估了 7 种基于浅层 ML 的 NIDS 的鲁棒性，包括 Adaboost、Bagging、梯度提升 (GB)、逻辑回归 (LR)、决策树 (DT)、随机森林 (RF)、支持向量分类器 (SVC) 以及深度学习网络，以抵御几种在最先进技术 (SOA) 中广泛使用的对抗性攻击。此外，我们应用高斯数据增强防御技术并测量其对提高分类器鲁棒性的贡献。我们使用 NSL-KDD 基准数据集 [5] 和 UNSW-NB 15 数据集 [50] 在不同的场景中进行了广泛的实验。结果表明，攻击对所有分类器的影响并不相同，分类器的稳健性取决于攻击，并且必须根据网络入侵检测场景考虑性能和稳健性之间的权衡。
用于网络入侵检测的对抗性机器学习
主要关键词
相关文件推荐
