深度学习入侵检测系统中对抗攻击与防御的系统性文献综述

《IEEE Access》：Adversarial Robustness of Deep Learning-Based Intrusion Detection Systems: A Systematic Literature Review of Attacks, Defenses, Datasets, and Open Challenges

　　深度学习已成为现代入侵检测的默认方法。然而，那些能以极高准确率区分良性与恶意流量的模型，却容易被微小且刻意设计的扰动所欺骗。我们报告了一项关于2020年1月至2026年3月期间，深度学习入侵检测系统（IDS）中该漏洞如何被研究的系统性文献综述。该综述遵循《系统评价和荟萃分析报告优先项目》（PRISMA）2020协议。在对Scopus、IEEE Xplore、Web of Science和ScienceDirect检索到的5,890条记录进行筛选后（单审筛选结果与第二审阅者在50条记录样本上进行校准，Cohen’s κ = 0.81），并检索252篇全文后，共纳入216项原始研究。我们沿四个维度对该研究领域的工作进行组织：针对深度学习IDS的攻击方法、提出的防御措施、用于评估的数据集与指标，以及仍然存在的挑战。在216项研究中，注意力高度集中于白盒梯度攻击（76.9%的研究采用快速梯度符号法（FGSM），60.2%采用Carlini–Wagner（C&W），50.9%采用投影梯度下降法（PGD））以及作为防御手段的对抗训练（61.6%）。相比之下，基于查询的黑盒攻击（如Square Attack（2.8%）和AutoAttack（2.3%））较为罕见，可证明防御仅出现在6.0%的研究中，而较新的物联网（IoT）基准数据集（CICIoT2023、CICIoMT2024和CICIoV2024）在语料库合计出现频率不足5%。最后，我们提出12个具体的研究空白和12项实践建议，旨在指导下一轮健壮入侵检测系统的设计。