論文の概要: The Threat of Adversarial Attacks on Machine Learning in Network
Security -- A Survey
- arxiv url: http://arxiv.org/abs/1911.02621v3
- Date: Tue, 21 Mar 2023 14:10:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 08:50:19.514102
- Title: The Threat of Adversarial Attacks on Machine Learning in Network
Security -- A Survey
- Title（参考訳）: ネットワークセキュリティにおける機械学習に対する敵対的攻撃の脅威 - 調査より
- Authors: Olakunle Ibitoye, Rana Abou-Khamis, Mohamed el Shehaby, Ashraf Matrawy
and M. Omair Shafiq
- Abstract要約: ネットワークセキュリティにおける機械学習の応用は、他のドメインと比較して、活発な敵攻撃に対する不当な脅威に直面している。
本調査ではまず,機械学習技術,タスク,深さの分類について述べる。
ネットワークセキュリティにおける機械学習に対する様々な敵攻撃について検討し、ネットワークセキュリティにおける敵攻撃に対する2つの分類手法を提案する。
- 参考スコア（独自算出の注目度）: 4.164845768197488
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Machine learning models have made many decision support systems to be faster,
more accurate, and more efficient. However, applications of machine learning in
network security face a more disproportionate threat of active adversarial
attacks compared to other domains. This is because machine learning
applications in network security such as malware detection, intrusion
detection, and spam filtering are by themselves adversarial in nature. In what
could be considered an arm's race between attackers and defenders, adversaries
constantly probe machine learning systems with inputs that are explicitly
designed to bypass the system and induce a wrong prediction. In this survey, we
first provide a taxonomy of machine learning techniques, tasks, and depth. We
then introduce a classification of machine learning in network security
applications. Next, we examine various adversarial attacks against machine
learning in network security and introduce two classification approaches for
adversarial attacks in network security. First, we classify adversarial attacks
in network security based on a taxonomy of network security applications.
Secondly, we categorize adversarial attacks in network security into a problem
space vs feature space dimensional classification model. We then analyze the
various defenses against adversarial attacks on machine learning-based network
security applications. We conclude by introducing an adversarial risk grid map
and evaluating several existing adversarial attacks against machine learning in
network security using the risk grid map. We also identify where each attack
classification resides within the adversarial risk grid map.
- Abstract（参考訳）: 機械学習モデルは、多くの意思決定支援システムを、より速く、より正確で、より効率的なものにしました。
しかし、ネットワークセキュリティにおける機械学習の応用は、他のドメインに比べて活発な敵攻撃に対する不当な脅威に直面している。
これは、マルウェア検出、侵入検知、スパムフィルタリングなどのネットワークセキュリティにおける機械学習アプリケーションは、それ自体が敵対的であるためである。
攻撃者とディフェンダーの間の腕の競争と見なされる中で、敵は常に、システムをバイパスし間違った予測を誘導するように明示的に設計された入力で機械学習システムを探索する。
本調査ではまず,機械学習技術,タスク,深さの分類について述べる。
次に、ネットワークセキュリティアプリケーションに機械学習の分類を導入する。
次に,ネットワークセキュリティにおける機械学習に対する様々な敵意攻撃を調査し,ネットワークセキュリティにおける敵意攻撃に対する2つの分類アプローチを紹介する。
まず,ネットワークセキュリティアプリケーションの分類に基づいて,ネットワークセキュリティにおける敵対的攻撃を分類する。
次に,ネットワークセキュリティにおける敵対的攻撃を問題空間と特徴空間次元分類モデルに分類する。
次に、機械学習ベースのネットワークセキュリティアプリケーションに対する敵攻撃に対する様々な防御を解析する。
最後に, リスクグリッドマップを導入し, リスクグリッドマップを用いたネットワークセキュリティにおける機械学習に対する既存攻撃の評価を行った。
また、各攻撃分類が敵のリスクグリッドマップ内に存在する場所を特定する。
関連論文リスト
- A reading survey on adversarial machine learning: Adversarial attacks
and their understanding [6.1678491628787455]
Adversarial Machine Learningは、ニューラルネットワークがほぼオリジナルの入力を誤って分類する原因となる脆弱性を悪用し、理解する。
敵攻撃と呼ばれるアルゴリズムのクラスが提案され、ニューラルネットワークが異なるドメインの様々なタスクを誤って分類する。
本稿は、既存の敵攻撃とその理解について、異なる視点で調査する。
論文 参考訳（メタデータ） (2023-08-07T07:37:26Z) - Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A
Contemporary Survey [114.17568992164303]
機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。
本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。
検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
論文 参考訳（メタデータ） (2023-03-11T04:19:31Z) - Illusory Attacks: Information-Theoretic Detectability Matters in Adversarial Attacks [76.35478518372692]
エプシロン・イリューソリー(epsilon-illusory)は、シーケンシャルな意思決定者に対する敵対的攻撃の新たな形態である。
既存の攻撃と比較して,エプシロン・イリューソリーの自動検出は極めて困難である。
以上の結果から, より優れた異常検知器, 効果的なハードウェアおよびシステムレベルの防御の必要性が示唆された。
論文 参考訳（メタデータ） (2022-07-20T19:49:09Z) - Detect & Reject for Transferability of Black-box Adversarial Attacks
Against Network Intrusion Detection Systems [0.0]
本稿では,機械学習による侵入検知システムに対する敵ネットワークトラフィックの転送可能性について検討する。
本研究では,機械学習による侵入検知システムに対する対向的ネットワークトラフィックの転送可能性特性の影響を抑えるための防御機構として検出・削除を検討した。
論文 参考訳（メタデータ） (2021-12-22T17:54:54Z) - Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the
Age of AI-NIDS [70.60975663021952]
ネットワーク分類器に対するブラックボックス攻撃について検討する。
我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。
攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
論文 参考訳（メタデータ） (2021-11-23T23:42:16Z) - Adversarial Machine Learning for Cybersecurity and Computer Vision:
Current Developments and Challenges [2.132096006921048]
敵対的機械学習の研究は、機械学習技術の幅広い応用に対する重大な脅威に対処する。
まず、主に3つの機械学習テクニックに対する攻撃、すなわち中毒攻撃、回避攻撃、プライバシ攻撃について論じる。
サイバーセキュリティとコンピュータビジョンにおける敵のサンプルは根本的に異なることに気付きます。
論文 参考訳（メタデータ） (2021-06-30T03:05:58Z) - The Feasibility and Inevitability of Stealth Attacks [63.14766152741211]
我々は、攻撃者が汎用人工知能システムにおける決定を制御できる新しい敵の摂動について研究する。
敵対的なデータ修正とは対照的に、ここで考慮する攻撃メカニズムには、AIシステム自体の変更が含まれる。
論文 参考訳（メタデータ） (2021-06-26T10:50:07Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T16:38:26Z) - Adversarial Machine Learning Attacks and Defense Methods in the Cyber
Security Domain [58.30296637276011]
本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。
サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
論文 参考訳（メタデータ） (2020-07-05T18:22:40Z) - NAttack! Adversarial Attacks to bypass a GAN based classifier trained to
detect Network intrusion [0.3007949058551534]
機械学習の台頭以前、攻撃を示唆するネットワーク異常は、巧妙なルールを用いて検出された。
ネットワーク異常に対する機械学習の進歩により、人間がサイバー防御システムをバイパスする方法を理解することは容易ではない。
本稿では, 分類器を構築し, ネットワークデータの逆例で訓練しても, 敵攻撃を利用でき, システムを破壊することができることを示す。
論文 参考訳（メタデータ） (2020-02-20T01:54:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。