15、理解入侵检测系统中转移攻击的无效性

理解入侵检测系统中转移攻击的无效性

1. 引言

随着网络领域安全问题日益普遍，入侵检测系统（IDS）已成为检测和防范通过操纵网络流量传播的网络攻击的关键工具。近年来，IDS借助机器学习技术来检测不安全的网络流量行为。具体而言，IDS可以利用提取的特征来识别流量数据包是恶意的还是良性的。一些流行的机器学习方法已应用于IDS中，包括支持向量机（SVM）、决策树（DT）、多层感知机（MLP）和K近邻（KNN）。

然而，目前最先进的IDS面临着与机器学习模型相同的问题：它们都容易受到对抗样本（AEs）的攻击。攻击者可以通过添加小的扰动来操纵原始流量数据包，从而改变IDS对网络数据包的预测标签。不同的攻击表明，IDS在不同攻击知识水平下容易受到AEs的攻击，如白盒攻击、灰盒攻击和黑盒攻击。这些攻击根据攻击知识的不同，或多或少会产生现实影响；换句话说，攻击者掌握的知识越少，其现实影响就越大。但我们不确定在基于机器学习的IDS中，当攻击者没有知识且无法查询目标模型时，转移攻击是否仍然有效。

为此，我们旨在探索网络领域中AEs的可转移性。我们的目标是了解影响AEs转移到IDS模型的攻击因素。我们主要关注三个攻击因素：（i）不同的攻击算法；（ii）各种训练数据集；（iii）不同的模型架构。基于与这些攻击因素相关的发现，我们提议生成高效的AEs，并将其与基于白盒的AEs进行比较，以理解IDS中转移AEs的无效性。具体贡献如下：
1. 我们评估了各种现有的白盒攻击，如CW、FGSM、BIM和JSMA，并结合不同的攻击因素，选择表现最佳的攻击作为基准，以便进一步比较转移攻击。
2. 我们评估不同的训练因素来构建替代模型，并研究不同的训练和测试水平，以确定构建具有高可转移性的替代模型的