混合对抗训练方法在主动式网络入侵检测系统中的应用

《IEEE Open Journal of the Communications Society》：Hybrid Adversarial Retraining Approach For A Proactive Network Intrusion Detection System

　　

摘要：

人工智能在许多领域都带来了好处，包括网络安全。然而，它也催生了新的攻击方式和安全风险。目前，人工智能生成的攻击手段已经超过了现有防御系统的能力。因此，实施主动的安全措施以识别未知威胁并保护数字系统至关重要。现有的研究受到数据集规模小或过时、数据来自虚拟机、基于行为的方法效率低下或复杂，以及仅依赖单一对抗条件的限制。为了解决这些问题，我们开发了一个新的攻击检测框架。我们采用了一种主动方法，并结合了黑盒和白盒攻击的混合重新训练技术。该框架结合了两种不同的攻击隐藏方法与两阶段分类方法，以提高检测准确性并减少误报。我们使用了两个大型网络攻击数据集CICIDS2017和CSE-CIC-IDS2018来训练和测试该框架。实验表明，我们的入侵检测系统实现了高检测率。使用我们的全攻击对抗重新训练方法的两层卷积神经网络在12种对抗性攻击算法中表现出优异的泛化能力，总体准确率达到89%。这一发现表明，即使模型较为简单，也能通过我们的混合重新训练方法提供强大的保护。我们的方法在CICIDS2017数据集上的准确率提高了7.02%，在CSE-CIC-IDS2018数据集上提高了3.7%。这些结果证明了我们的方法能够有效应对现实世界中的网络安全威胁。