SAGE:一种基于样本信息的防护引擎,用于抵御对抗性攻击的强健入侵检测

《Computer Networks》:SAGE: Sample-Aware Guarding Engine for robust intrusion detection against adversarial attacks

【字体: 大 中 小 】 时间:2026年09月21日 来源:Computer Networks 4.7

编辑推荐:

  摘要 网络化的信息物理系统(CPS)越来越依赖于基于物联网(IoT)的基础设施。这种依赖性的增加扩展了IoT网络的安全漏洞,使得高效且强大的入侵检测系统(IDS)变得至关重要。基于机器学习的入侵检测系统(ML-IDS)在威胁检测能力上有了显著提升;然而,它们仍然容易受到对抗性攻击

  摘要
网络化的信息物理系统(CPS)越来越依赖于基于物联网(IoT)的基础设施。这种依赖性的增加扩展了IoT网络的安全漏洞,使得高效且强大的入侵检测系统(IDS)变得至关重要。基于机器学习的入侵检测系统(ML-IDS)在威胁检测能力上有了显著提升;然而,它们仍然容易受到对抗性攻击的影响。在网络化的CPS中,不准确的入侵检测可能会进一步影响系统级别的决策和运行可靠性。尽管已经提出了许多防御机制来增强ML-IDS的韧性,但仍然缺乏一种系统化的方法来选择针对特定对抗性攻击的最有效防御措施。为了解决这一挑战,我们之前提出了DYNAMITE,这是一种动态防御选择方法,通过机器学习驱动的选择机制来识别针对对抗性攻击的合适防御措施。在此基础上,我们提出了SAGE(样本感知防护引擎),这是一种改进后的防御框架,它结合了主动学习和有针对性的数据降维,以在对抗性不确定性下支持高效的安全决策。SAGE采用主动学习机制来选择最具信息量的输入样本及其相应的最佳防御标签,然后使用这些标签来训练二级学习器,负责做出针对每个样本的防御决策。这种有针对性的采样提高了计算效率,在训练过程中让模型暴露于多种对抗策略中,并增强了系统的鲁棒性、稳定性和泛化能力。结果表明,SAGE在多个入侵检测数据集上表现出强大的预测性能,持续优于动态、静态和随机防御选择的基线。与Oracle(一种事后选择每个测试样本最佳防御措施的基线方法)相比,SAGE仅保持了3.8点的宏观F1分数差距,同时将计算开销减少了高达29倍,适用于资源和延迟受限的CPS环境。

引言
网络化的信息物理系统(CPS)越来越依赖于大规模的连接基础设施,其中物联网(IoT)网络是一个主要且快速增长的组成部分[1]。因此,确保IoT通信的安全性和可靠性是CPS可靠运行的重要前提。IoT系统连接了许多设备,这些设备可以通信和共享数据,从而在医疗保健、制造和运输等领域实现智能应用[2]。由于互联性、资源限制和配置多样性,IoT系统特别容易受到网络威胁[3]。因此,确保强大的安全措施对于保护这些系统免受潜在攻击至关重要。入侵检测系统(IDS)通过监控网络流量和系统行为,在识别和响应IoT网络中的恶意活动方面发挥着关键作用[2]。将机器学习(ML)集成到IDS中显著提高了它们检测和缓解网络威胁的能力。ML-IDS具有分析大量数据、识别潜在模式以及检测传统方法可能忽略的网络攻击的能力[4]。因此,ML-IDS成为提高IoT安全性的有效方法,以应对不断演变的网络威胁。然而,对抗性攻击的出现对ML-IDS的有效性构成了重大挑战[5]。这些攻击使得恶意活动未被发现,从而损害了IoT系统的安全性,导致操作故障、数据泄露和重大财务损失[6]。开发有效的防御措施以应对对抗性攻击对于维持ML-IDS的可靠性和鲁棒性至关重要[8]。已经提出了几种策略,包括针对ML-IDS的通用策略和特定策略,例如对抗性训练[9][10]、训练过程的修改[11][12]、输入转换技术[13]以及对抗性攻击检测方法[14][15]。然而,防御机制的有效性取决于它们旨在缓解的具体攻击类型[16]。鉴于对抗性攻击在技术和目标上可能有所不同,需要定制的防御策略来有效应对每种不同的情况。图1总结了我们之前DYNAMITE研究[7]中的激励证据,在该研究中使用WUSTL-IIoT数据集通过宏观F1分数评估了代表性的防御机制。x轴列出了对抗性攻击,包括Basic Iterative Method (BIM)、DeepFool (DF)、Auto Projected Gradient Descent (AutoPGD)和Zeroth Order Optimization (ZOO),而不同的颜色表示防御机制,包括Interpolated Adversarial Training (Interpolated AT)、TRADEoff-inspired Adversarial Defense via Surrogate-loss Minimization (TRADES)、Feature Squeezing、Gaussian Augmenter和Robust Soft Label Adversarial Distillation (RSLAD)。这些先前的结果表明,没有一种单一的防御模型对所有对抗性攻击都普遍有效,这激发了本工作中开发的样本感知动态防御选择框架的需求。这种变异性突显了依赖单一防御机制进行全面保护的局限性。在CPS环境中,这种变异性带来了额外的挑战,因为防御机制必须在严格的延迟和资源限制下运行[17]。静态防御选择可能被适应性对手反复利用,而在实时部署中全面评估多种防御措施是不切实际的[18]。这些观察结果促使我们需要开发能够适应不断演变攻击的动态防御选择机制,并且开销较低。

在我们之前的工作DYNAMITE[7]的基础上,本文解决了推进ML-IDS防御框架的两个关键问题:提高计算效率和增强对以前未见过的对抗性攻击的鲁棒性。在IoT环境中实际部署ML-IDS防御时,提高效率至关重要,因为在大型数据集上训练和运行复杂的防御模型面临着重大挑战。为此,我们的扩展框架采用了一种有针对性的子样本选择策略,精心挑选了一个最小但信息量较大的训练集,大大减少了计算开销。此外,在不断变化的对抗性环境中增强对新型威胁的鲁棒性至关重要,因为静态防御可以迅速被绕过。为此,我们利用了熵开放集主动学习(EOAL)算法[19],该算法特别适合我们的目标。这些进展共同构成了一个既可扩展又具有韧性的防御框架,系统地提高了效率和鲁棒性。我们引入了样本感知防护引擎(SAGE),这是一个自适应且高效的ML-IDS防御框架。从CPS的角度来看,SAGE作为一层轻量级的安全控制层,在对抗性不确定性下动态选择适当的防御机制,将观察到的网络流量映射到保护动作。与静态防御机制不同,SAGE动态选择针对对抗性攻击的最佳防御策略。SAGE的流程如图2所示,从数据预处理开始,然后训练一个基线ML-IDS模型以及几个最先进的(SOTA)防御模型。为了模拟多样的威胁环境,我们使用各种攻击策略和强度生成对抗性样本。然后针对这些样本评估每个防御模型,并使用性能指标为每个样本标记其最有效的防御措施。为了优化我们的防御选择机制的训练,SAGE利用熵开放集主动学习(EOAL)[19]来识别和优先考虑最具信息量和多样性的样本。这种方法显著减少了训练数据量,同时保持了高性能。然后在这个缩减的数据集上训练二级学习器,为以前未见过的对抗性攻击选择最有效的防御机制。我们在多个真实的入侵检测数据集上的实验表明,SAGE在性能上持续优于动态、静态和随机防御选择的基线,同时对以前未见过的对抗性攻击保持鲁棒性。值得注意的是,通过利用EOAL对稀疏表示区域的关注,SAGE仅使用1%的标记数据就实现了可比或更强的鲁棒性,与全监督相比提升了多达3.4个百分点。这里,Oracle表示一种事后为每个测试样本选择最佳防御措施的基线方法。SAGE还大大提高了计算效率,与这个Oracle基线相比提高了高达29倍的运行速度。这些特性使得SAGE特别适合在网络化的CPS环境中部署,在这些环境中,安全决策必须在严格的延迟、资源和可靠性限制下做出。这种效率提升是在仅与Oracle保持3.8点宏观F1分数差距的情况下实现的。这些发现使SAGE成为一种强大且高效的防御框架,它在大幅减少计算开销的同时实现了高准确性。

章节片段
基于机器学习的入侵检测系统(ML-IDS)
对计算机网络的日益依赖以及物联网(IoT)的扩展引入了重大的安全挑战,这些挑战由这些互连系统的复杂性和多样性驱动[20]。入侵检测系统(IDS)旨在监控网络活动并检测恶意行为。IDS方法大致分为两类:基于签名的和基于异常的[5]。

SAGE框架
从设计科学研究的视角出发,我们将SAGE呈现为一个针对对抗性攻击的鲁棒ML-IDS的设计工件。该工件解决的问题是,没有一种静态防御能够在不同的对抗性攻击和扰动强度下始终表现最佳。设计目标是基于每个样本选择有效的防御措施,减少构建选择器的标记和计算成本,并在未见过的对抗性条件下保持鲁棒性。

选定的数据集
表1总结了本文中使用的四个入侵数据集。WUSTL-IIoT [53] 捕录了现实攻击场景下的IIoT测试床流量(41个特征;100万样本)。UNSW-NB15 [54] 混合了真实和合成流量,涵盖了九种攻击类型(43个特征;27.8万样本)。X-IIoTID [51] 是一个与设备和连接无关的IIoT语料库,具有来自网络、主机、日志和警报的多视图特征(68个特征;80万实例)。Edge-IIoTset [55] 涵盖了云/雾/边缘IoT流量。

Sage防御性能
表2对比分析了SAGE和选定的基线(Oracle、动态、最佳静态、随机和无防御)在相同对抗性攻击类型但扰动量不同的情况下的表现,即攻击强度的变化。表格报告了每种对抗性攻击的宏观F1分数以及在所有扰动级别和攻击场景下的平均分数。显然,SAGE在性能上显著优于动态、最佳静态、随机方法。

讨论与局限性
本研究专注于CPS和以IoT为中心的入侵检测,但SAGE并不限于这些环境。它可以应用于其他ML-IDS场景,其中流量可以表示为特征向量,可以构建防御组合,并可以从防御性能中得出最佳防御标签。之所以强调CPS和IIoT,是因为这些环境施加了严格的延迟、资源和可靠性限制,需要轻量级的样本级防御。

结论
在网络化的信息物理系统(CPS)及其底层的以IoT为中心的操作网络中,基于机器学习的入侵检测系统(ML-IDS)必须应对不断变化的攻击几何形状和分布,同时面临严格的延迟和资源限制。为了解决这个问题,我们的框架SAGE将对抗性鲁棒的ML-IDS构建为一个样本级防御选择问题。它将一个精心策划的防御组合与EOAL训练的选择器相结合,使系统能够选择最有效的防御措施。

CRediT作者贡献声明
Jing Chen:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、软件、项目管理、方法论、调查、形式分析、数据策划、概念化。
Onat Gungor:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、监督、软件、项目管理、方法论、调查、形式分析、数据策划、概念化。
Zhengli Shang:撰写 - 原始草稿、方法论、调查。

利益冲突声明
作者声明他们没有已知的相互竞争的财务利益或个人关系,这些都可能影响本文报告的工作。

致谢
本工作部分由美国国家科学基金会资助,资助编号分别为2112665、2112167、2003279、2120019、2211386、2052809和1911095,以及由DARPA支持的JUMP 2.0计划中的PRISM和CoCoSys中心资助。

Jing Chen | Onat Gungor | Zhengli Shang | Tajana Rosing
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号