論文の概要: NAttack! Adversarial Attacks to bypass a GAN based classifier trained to detect Network intrusion

• arxiv url: http://arxiv.org/abs/2002.08527v1
• Date: Thu, 20 Feb 2020 01:54:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 08:10:15.550521
• Title: NAttack! Adversarial Attacks to bypass a GAN based classifier trained to detect Network intrusion
• Title（参考訳）: ナタック! ネットワーク侵入検知のためのGANに基づく分類器をバイパスする逆攻撃
• Authors: Aritran Piplai, Sai Sree Laya Chukkapalli, Anupam Joshi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3007949058551534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the recent developments in artificial intelligence and machine learning, anomalies in network traffic can be detected using machine learning approaches. Before the rise of machine learning, network anomalies which could imply an attack, were detected using well-crafted rules. An attacker who has knowledge in the field of cyber-defence could make educated guesses to sometimes accurately predict which particular features of network traffic data the cyber-defence mechanism is looking at. With this information, the attacker can circumvent a rule-based cyber-defense system. However, after the advancements of machine learning for network anomaly, it is not easy for a human to understand how to bypass a cyber-defence system. Recently, adversarial attacks have become increasingly common to defeat machine learning algorithms. In this paper, we show that even if we build a classifier and train it with adversarial examples for network data, we can use adversarial attacks and successfully break the system. We propose a Generative Adversarial Network(GAN)based algorithm to generate data to train an efficient neural network based classifier, and we subsequently break the system using adversarial attacks.
• Abstract（参考訳）: 最近の人工知能と機械学習の発展により、ネットワークトラフィックの異常は機械学習アプローチによって検出される。 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。 サイバー防御の分野で知識を持つ攻撃者は、サイバー防御メカニズムが見ているネットワークトラフィックデータの特定の特徴を正確に予測するために、教育的な推測をすることができる。 この情報により、攻撃者はルールベースのサイバー防御システムを回避できる。 しかし、ネットワーク異常のための機械学習の進歩の後、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。 近年,機械学習アルゴリズムを打破する敵の攻撃が増えている。 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。 本稿では,効率的なニューラルネットワークに基づく分類器を訓練するために,データを生成するための生成型adversarial network(gan)ベースのアルゴリズムを提案する。

関連論文リスト

• An anomaly detection approach for backdoored neural networks: face recognition as a case study [77.92020418343022]
  本稿では,異常検出の原理に基づく新しいバックドアネットワーク検出手法を提案する。 バックドアネットワークの新たなデータセット上で本手法を検証し,完全スコアで検出可能性について報告する。
  論文  参考訳（メタデータ） (2022-08-22T12:14:13Z)
• Searching for the Essence of Adversarial Perturbations [73.96215665913797]
  本稿では,ニューラルネットワークの誤予測の原因となる,人間の認識可能な情報を含む対人摂動について述べる。 この人間の認識可能な情報の概念は、敵の摂動に関連する重要な特徴を説明できる。
  論文  参考訳（メタデータ） (2022-05-30T18:04:57Z)
• Early Detection of Network Attacks Using Deep Learning [0.0]
  ネットワーク侵入検知システム(英: Network Intrusion Detection System、IDS)は、ネットワークトラフィックを観察することによって、不正かつ悪意のない行動を特定するためのツールである。 本稿では,攻撃対象のシステムにダメージを与える前に,ネットワーク攻撃を防止するために,エンド・ツー・エンドの早期侵入検知システムを提案する。
  論文  参考訳（メタデータ） (2022-01-27T16:35:37Z)
• 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)
• A Heterogeneous Graph Learning Model for Cyber-Attack Detection [4.559898668629277]
  サイバー攻撃は、ハッカーが標的とする情報システムに侵入する悪意のある試みである。 本稿では,証明データに基づく知的サイバー攻撃検出手法を提案する。 実験の結果,提案手法は他の学習ベース検出モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-16T16:03:39Z)
• Automating Privilege Escalation with Deep Reinforcement Learning [71.87228372303453]
  本研究では,エージェントの訓練に深層強化学習を用いることで,悪意あるアクターの潜在的な脅威を実証する。 本稿では,最先端の強化学習アルゴリズムを用いて,局所的な特権エスカレーションを行うエージェントを提案する。 我々のエージェントは、実際の攻撃センサーデータを生成し、侵入検知システムの訓練と評価に利用できる。
  論文  参考訳（メタデータ） (2021-10-04T12:20:46Z)
• FooBaR: Fault Fooling Backdoor Attack on Neural Network Training [5.639451539396458]
  ニューラルネットワークのトレーニングフェーズ中に障害を注入することで,新たな攻撃パラダイムを探索する。 このような攻撃は、トレーニングフェーズの障害攻撃がネットワークにバックドアを注入し、攻撃者が不正な入力を生成できるようにするような、不正なバックドアと呼ばれる。
  論文  参考訳（メタデータ） (2021-09-23T09:43:19Z)
• 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)
• TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
  本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。 我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。 TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
  論文  参考訳（メタデータ） (2021-03-10T19:03:38Z)
• Firearm Detection and Segmentation Using an Ensemble of Semantic Neural Networks [62.997667081978825]
  本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。 特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。 個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
  論文  参考訳（メタデータ） (2020-02-11T13:58:16Z)
• The Threat of Adversarial Attacks on Machine Learning in Network Security -- A Survey [4.164845768197488]
  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。
  論文  参考訳（メタデータ） (2019-11-06T20:29:56Z)

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。