摘要
基于机器学习的网络入侵检测系统（NIDSs）在应对已知攻击模式时表现出了强大的性能。然而，它们对现代大型语言模型（LLMs）所策划的适应性规避策略的抵御能力仍然很大程度上尚未被探索。本研究提出了一个可复制的框架，用于评估基于指令约束的开源权重LLM对表格网络入侵检测基线的流量空间规避行为，并分别研究了基于GAN的增强技术对多模态检测器在纯净流量下的性能影响。所提出的方法采用了一种开源权重语言模型，在提示和解码层面受到限制，仅允许执行有限范围内的合法协议转换，从而生成已知攻击的规避变体，并将这些变体表现为网络流量。通过检测率、F1分数、AUC-ROC和错误阳性率来对比两种防御配置在纯净流量下的性能，而规避成功率则是以表格基线为参照进行测量的。在每种配置的五种训练种子数据集下，基于GAN的增强技术并未在多模态检测器上带来可检测到的性能提升，不同配置之间的差异甚至比训练种子数据集之间的差异还要小。合成流量继承了真实流量数据包的载荷和序列特征，因此增强效果仅作用于流量统计信息部分。在配置（i）下，即使对手多次接收反馈分数，也无法成功规避表格基线；这是唯一受到攻击的配置，且其性能也不优于在同一动作空间和查询预算下操作的随机突变攻击者。所有结果均基于CIC-IDS2017数据集得出，该数据集包含16种攻击类型和5种实现的转换操作。这些发现表明，合成增强带来的表面优势可能主要由训练过程中的随机性因素所主导，并且在使用受限的合法协议转换空间内，基于LLM的搜索策略并不一定比简单的搜索策略更具优势。
