論文の概要: A No-Defense Defense Against Gradient-Based Adversarial Attacks on ML-NIDS: Is Less More?

• arxiv url: http://arxiv.org/abs/2605.18666v1
• Date: Mon, 18 May 2026 17:10:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:50.122161
• Title: A No-Defense Defense Against Gradient-Based Adversarial Attacks on ML-NIDS: Is Less More?
• Title（参考訳）: ML-NIDS攻撃に対する無防備対策 : それ以上か?
• Authors: Mohamed elShehaby, Ashraf Matrawy,
• Abstract要約: 本稿では,DNN(Deep Neural Network)に基づくネットワーク侵入検知システム(NIDS, Network Intrusion Detection Systems, NIDS)について検討する。 より浅いネットワーク, 機能セットの削減, ReLU の活性化が一貫して行われ, 対人的脆弱性の軽減が図られている。 このレシピに従う単純なモデルは、ほぼ完璧なクリーン・トラヒック検出と低いトレーニング時間を維持しながら、より深く、完全に機能する敵の訓練されたモデルより優れています。
• 参考スコア（独自算出の注目度）: 0.6588840794922407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gradient-based adversarial attacks subtly manipulate inputs of Machine Learning (ML) models to induce incorrect predictions. This paper investigates whether careful architectural choices alone can yield an inherently robust Deep Neural Network (DNN)-based Network Intrusion Detection Systems (NIDS), without any additional explicit defenses. Through thousands of experiments, around 2200, varying network depth, feature dimensionality, activation functions, and dropout across FGSM, PGD, and BIM attacks, we show that shallower networks, reduced feature sets, and ReLU activation consistently and jointly reduce adversarial vulnerability. Moreover, a simple model following this recipe outperforms deeper, fully-featured adversarially trained models, while maintaining near-perfect clean-traffic detection and lower training times. Nevertheless, while less is more, the selection of the right less is what truly matters.
• Abstract（参考訳）: グラディエントベースの敵攻撃は、機械学習(ML)モデルの入力を微妙に操作し、誤った予測を誘導する。 本稿では,DNN(Deep Neural Network)をベースとしたネットワーク侵入検知システム(Network Intrusion Detection Systems, NIDS)を, 追加の防御を伴わずに, 慎重に設計できるかどうかを考察する。 FGSM,PGD,BIM攻撃におけるネットワーク深度,特徴量,アクティベーション関数,ドロップアウトなど,数千の実験を通じて,ネットワークの浅さ,機能セットの縮小,ReLUアクティベーションの持続的かつ共同的低下が示された。 さらに、このレシピに従う単純なモデルは、ほぼ完璧なクリーン・トラヒック検出と低いトレーニング時間を維持しながら、より深く、完全に機能した敵の訓練されたモデルより優れています。 それにもかかわらず、権利の選び方はそれほど重要ではない。

関連論文リスト

• NetDiffuser: Deceiving DNN-Based Network Attack Detection Systems with Diffusion-Generated Adversarial Traffic [1.8225278540778656]
  本稿では,ネットワーク侵入検知システム (NIDS) を無効化可能な自然敵例(NAE)を生成するためのフレームワークであるNetDiffuserを提案する。 NetDiffuserは攻撃成功率を29.93%向上させ、AE検出性能を少なくとも0.267(時には0.534まで)削減する。
  論文  参考訳（メタデータ） (2026-03-09T20:13:51Z)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
  適応型ニューラルネットワークの動的対向攻撃問題について検討する。 本稿では,LGM(Leaded Gradient Method)を提案する。 我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
  論文  参考訳（メタデータ） (2022-10-15T01:32:08Z)
• Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
  CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。 任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。 本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
  論文  参考訳（メタデータ） (2021-05-31T17:01:05Z)
• Combating Adversaries with Anti-Adversaries [118.70141983415445]
  特に、我々の層は、逆の層とは反対の方向に入力摂動を生成します。 我々は,我々の階層と名目および頑健に訓練されたモデルを組み合わせることで,我々のアプローチの有効性を検証する。 我々の対向層は、クリーンな精度でコストを伴わずにモデルロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2021-03-26T09:36:59Z)
• Adversarial Attacks on Deep Learning Based Power Allocation in a Massive MIMO Network [62.77129284830945]
  本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。 我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-01-28T16:18:19Z)
• Learn2Perturb: an End-to-end Feature Perturbation Learning to Improve Adversarial Robustness [79.47619798416194]
  Learn2Perturbは、ディープニューラルネットワークの対角的堅牢性を改善するために、エンドツーエンドの機能摂動学習アプローチである。 予測最大化にインスパイアされ、ネットワークと雑音パラメータを連続的にトレーニングするために、交互にバックプロパゲーショントレーニングアルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-03-02T18:27:35Z)

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。