16、入侵检测系统中对抗样本可迁移性研究

入侵检测系统中对抗样本可迁移性研究

1. 攻击能力与目标

攻击者试图将输入数据包的类别修改为目标标签，例如将正常流量数据包标签改为恶意行为标签。假设攻击者可以构建自己的替代模型，并采用各种攻击算法生成对抗样本（AEs）。

2. 构建入侵检测系统（IDS）的替代模型

2.1 数据集

NSL - KDD是一个广泛使用的数据集，具有以下优点：
- 避免偏差：训练集和测试集的记录精心构建，避免重复记录，防止模型对常见记录产生预测偏差。
- 难度级别多样性：每个数据集由不同难度级别组均匀分布组成，为不同机器学习方法提供广泛的分类率，提高评估和比较技术的效率。
- 合理的数据分布：记录集数量分布均匀，无需随机选择小子集进行模型训练，便于研究人员比较不同工作。

2.2 通过各种机器学习模型构建IDS

构建了七种基于算法的黑盒IDS模型，具体如下：
| 模型名称 | 特点 |
| ---- | ---- |
| 支持向量机（SVM） | 利用间隔最大化和核函数原理，有效区分正常和恶意网络行为，可检测异常并对流量数据包进行分类 |
| 朴素贝叶斯（NB） | 通过观察特征（如包头、行为模式和有效负载特征）区分正常和恶意实例，通过计算条件概率预测入侵 |
| 多层感知机（MLP） | 学习输入特征之间的模式和相关性，训练后可根据学习模式对流量数据包进行分类 |
| 逻辑回归（LR） | 利用逻辑函数建模输入特征与实例分类概率之间的关系，通过最小化成本函数估计参数 |
| 决策树（DT） | 构建树状模型表示决策序列和潜在结果，有助