您的位置：山东大学 -> 科技期刊社 -> 《山东大学学报（理学版）》

《山东大学学报(理学版)》 ›› 2021, Vol. 56 ›› Issue (3): 28-36.doi: 10.6040/j.issn.1671-9352.4.2020.152

•   • 上一篇    下一篇

面向网络入侵检测数据的对抗样本生成方法

解滨1,2,3(),李清扬1,董新玉1,2   

  1. 1. 河北师范大学计算机与网络空间安全学院，河北 石家庄 050024
    2. 河北师范大学河北省网络与信息安全重点实验室，河北 石家庄050024
    3. 河北师范大学供应链大数据分析与数据安全河北省工程研究中心，河北 石家庄 050024
  • 收稿日期:2020-06-19 出版日期:2021-03-20 发布日期:2021-03-16
  • 作者简介:解滨(1976—)，男，博士，教授，研究方向为粒计算、机器学习、信息安全. E-mail: xiebin_hebtu@126.com
  • 基金资助:
    国家自然科学基金资助项目(62076088);河北省自然科学基金资助项目(A2018205103);河北师范大学技术创新项目(L2020K09)

Adversarial examples generation method for network intrusion detection data

Bin XIE1,2,3(),Qing-yang LI1,Xin-yu DONG1,2   

  1. 1. College of Computer and Cyber Security, Hebei Normal University, Shijiazhuang, 050024, Hebei, China
    2. Hebei Provincial Key Laboratory of Network & Information Security, Hebei Normal University, Shijiazhuang, 050024, Hebei, China
    3. Hebei Provincial Engineering Research Center for Supply Chain Big Data Analytics & Data Security, Hebei Normal University, Shijiazhuang, 050024, Hebei, China
  • Received:2020-06-19 Online:2021-03-20 Published:2021-03-16

RichHTML

55

PDF (PC)

1757

摘要：

选用Deepfool以及JSMA(jacobian-based saliency map attack)算法，在攻击特征中加入不影响攻击特性的定向扰动，通过白盒攻击生成对抗样本。通过实现扰乱检测模型的判断，从而躲过特征检测，为入侵检测模型提升自身鲁棒性提供了更为丰富的训练样本。

关键词: 网络入侵检测, 神经网络, 对抗样本, KDD Cup99

Abstract:

This paper proposes to add directional perturbations having no impact on results to attack characteristics with Deepfool and JSMA algorithms. Adversarial samples are generated by white-box attacks so that they can interfere with the judgements of models to bypass feature detection. Our work provides intrusion detection models with more training samples. As a result, the robustness of intrusion detection models is improved.

Key words: network intrusion detection, neural network, adversarial example, KDD Cup99

中图分类号: 

  • TP399

图1

对抗样本空间[10]"

图2

基于机器学习的网络入侵检测流程[11]"

图3

多层神经网络模型"

图4

深度自编码高斯混合模型[14]"

图5

Deepfool中的扰动向量[1]"

表1

Deepfool产生的对抗样本"

训练的模型 扰动特征(变化前→变化后) 范数 DAGMM预测值 KNN预测值
1 num_root (0→3) L0=1，L2=23.67 改变判断(7.085→19.374) 不变
2 hot (1→0) L0=3，L2=2.26 改变判断(7.085→12.611) 不变
num_root (0→1)
dst_host_count (70→7)
3 duration (0→360) L0=6，L2=1.55 不改变判(7.085→7.043) 不变
dst_bytes (7300→26604)
srv_diff_host_rate (0→0.05)
dst_host_count (70→29)
srv_diff_host_rate (70→188)
dst_host_rerror_rate(0.2→0.13)

表2

JSMA产生的对抗样本"

训练的模型 扰动特征(变化前→变化后) 范数 DAGMM预测值 KNN预测值
1 num_root (0->3) L0=1，L2=23.67 改变判断(7.085->19.374) 不变
2 num_file_creations (0→2) L0=2，L2=23.67 改变判断(7.085→7.671) 不变
dst_host_diff_srv_rate (0→0.1)
3 num_root(0→15) L0=1，L2=22.88 改变判断(7.085→20.076) 不变

表3

1 000个攻击连接一次对抗实验数据"

对抗算法 平均迭代次数 平均更改特征数(直接生成不调整) 平均对抗成功率/%
Deepfool 3 18 94.4
JSMA 4 12 97.9

图6

Deepfool算法改变特征数量分布"

图7

JSMA算法改变特征数量分布"

1 刘浩然, 丁攀, 郭长江, 等. 基于贝叶斯算法的中文垃圾邮件过滤系统研究[J]. 通信学报, 2018, 39 (12): 151- 159.
LIU Haoran , DING Pan , GUO Changjiang , et al. Study on Chinese spam filtering system based on Bayes algorithm[J]. Journal on Communications, 2018, 39 (12): 151- 159.
2 彭成维, 云晓春, 张永铮, 等. 一种基于域名请求伴随关系的恶意域名检测方法[J]. 计算机研究与发展, 2019, 56 (6): 1263- 1274.
PENG Chengwei , YUN Xiaochun , ZHANG Yongzheng , et al. Detecting malicious domains using co-occurrence relation between DNS query[J]. Journal of Computer Research and Development, 2019, 56 (6): 1263- 1274.
3 刘金平, 周嘉铭, 刘先锋, 等. 基于聚类簇结构特性的自适应综合采样法在入侵检测中的应用[J/OL]. 控制与决策, (2020-03-31)[2020-04-2]http://kns.cnki.net/kcms/detail/21.1124.TP.20200330.1533.033.html.
LIU Jinping, ZHOU Jiaming, LIU Xianfeng, et al. Toward intrusion detection via cluster structure-based adaptive synthetic sampling approach[J/OL]. Control and Decision, (2020-03-31)[2020-03-28]http://kns.cnki.net/kcms/detail/21.1124.TP.20200330.1533.033.html.
4 江颉, 高甲, 陈铁明. 基于AE-BNDNN模型的入侵检测方法[J]. 小型微型计算机系统, 2019, 40 (8): 1713- 1717.
doi: 10.3969/j.issn.1000-1220.2019.08.025
JIANG Jie , GAO Jia , CHEN Tieming . Network intrusion detection method based on AE-BNDNN model[J]. Journal of Chinese Computer Systems, 2019, 40 (8): 1713- 1717.
doi: 10.3969/j.issn.1000-1220.2019.08.025
5 SZEGEDY C, ZAREMBA W, SUTSKEVER I, et al. Intriguing properties of neural networks[EB/OL]. (2014-02-19)[2020-03-28]. https: //arxiv.org/abs/1312.6199
6 潘文雯, 王新宇, 宋明黎, 等. 对抗样本生成技术综述[J]. 软件学报, 2020, 31 (1): 67- 81.
PAN Wenwen , WANG Xinyu , SONG Mingli , et al. Survey on generating adversarial examples[J]. Journal of Software, 2020, 31 (1): 67- 81.
7 陈岳峰, 毛潇锋, 李裕宏, 等. AI安全: 对抗样本技术综述与应用[J]. 信息安全研究, 2019, 5 (11): 1000- 1007.
doi: 10.3969/j.issn.2096-1057.2019.11.009
CHEN Yuefeng , MAO Xiaofeng , LI Yuhong , et al. AI security: research and application on adversarial example[J]. Journal of Information Security Research, 2019, 5 (11): 1000- 1007.
doi: 10.3969/j.issn.2096-1057.2019.11.009
8 易平, 王科迪, 黄程. 人工智能对抗攻击研究综述[J]. 上海交通大学学报, 2018, 52 (10): 1298- 1306.
YI Ping , WANG Kedi , HUANG Cheng . Adversarial attacks in artificial intelligence: a survey[J]. Journal of Shanghai Jiaotong University, 2018, 52 (10): 1298- 1306.
9 张蕾, 崔勇, 刘静, 等. 机器学习在网络空间安全研究中的应用[J]. 计算机学报, 2018, 41 (9): 1943- 1975.
ZHANG Lei , CUI Yong , LIU Jing , et al. Application of machine learning in cyberspace security research[J]. Chinese Journal of Computers, 2018, 41 (9): 1943- 1975.
10 王晓程, 刘恩德, 谢小权. 攻击分类研究与分布式网络入侵检测系统[J]. 计算机研究与发展, 2001, 38 (6): 727- 734.
WANG Xiaocheng , LIU Ende , XIE Xiaoquan . Attack classification research and a distributed network intrusion detection system[J]. Journal of Computer Research and Development, 2001, 38 (6): 727- 734.
11 杨印根, 王忠洋. 基于深度神经网络的入侵检测技术[J]. 网络安全技术与应用, 2019, (4): 37- 41.
YANG Yingen , WANG Zhongyang . Intrusion detection technology based on deep neural network[J]. Network Security Technology & Application, 2019, (4): 37- 41.
12 SEYED-MOHSEN M D, ALHUSSEIN F. DeepFool: a simple and accurate method to fool deep neural networks[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas: IEEE Computer Society, 2016: 2574-2582.
13 PAPERNOT N, MCDANIEL P, JHA S, et al. The limitations of deep learning in adversarial settings[C]//IEEE European Symposium on Security and Privacy (EuroS&P). Saarbrucken: IEEE, 2016: 372-387.
14 ZONG B, SONG Q, MIN M R, et al. Deep autoencoding Gaussian mixture model for unsupervised anomaly detection[EB/OL]. (2018-03-01)[2020-03-28]https://openreview.net/pdf?id=BJJLHbb0-.
15 李小剑, 谢晓尧. 基于支持向量机与k近邻相结合的网络入侵检测研究[J]. 贵州师范大学学报(自然科学版), 2015, 33 (3): 86- 91.
LI Xiaojian , XIE Xiaoyao . Research on network intrusion detection based on support vector machine combined with k nearest neighbor method[J]. Journal of Guizhou Normal University(Natural Sciences), 2015, 33 (3): 86- 91.
16 GOODFELLOW I, SHLENS J, SZEGEDY C. Explaining and harnessing adversarial examples[C]//3rd International Conference on Learning Representations(ICLR). San Diego: Computer Science, 2015.
17 BRENDEL W, RAUBER J, BETHGE M. Decision-based adversarial attacks: reliable attacks against black-box machine learning models[EB/OL]. (2018-02-16)[2020-03-28]. https://arxiv.org/abs/1712.04248.
18 PAPERNOT N, MCDANIEL P, GOODFELLOW I. Transferability in machine learning: from phenomena to black-box attacks using adversarial samples[EB/OL]. (2016-5-24)[2020-03-28]. https://arxiv.org/abs/1605.07277.
19 张玉清, 董颖, 柳彩云, 等. 深度学习应用于网络空间安全的现状、趋势与展望[J]. 计算机研究与发展, 2018, 55 (6): 1117- 1142.
ZHANG Yuqing , DONG Ying , LIU Caiyun , et al. Situation, trends and prospects of deep learning applied to cyberspace security[J]. Journal of Computer Research and Development, 2018, 55 (6): 1117- 1142.
20 DIEDERIK P K, JIMMY L B. Adam: a method for stochastic optimization[C]//3rd International Conference on Learning Representations(ICLR). San Diego: Computer Science, 2015.
21 聂凯, 周清雷, 朱维军, 等. 基于时序逻辑的3种网络攻击建模[J]. 计算机科学, 2018, 45 (2): 209- 214.
NIE Kai , ZHOU Qinglei , ZHU Weijun , et al. Modeling for three kinds of network attacks based on temporal logic[J]. Computer Science, 2018, 45 (2): 209- 214.
[1] 唐瑜,袁利军Symbol`@@. 微分方程特征值问题的物理信息神经网络数值解法[J]. 《山东大学学报(理学版)》, 2026, 61(2): 26-36.
[2] 陈子杰, 赵东霞, 王一言. 具有3个时滞的递归神经网络系统的稳定性分析[J]. 《山东大学学报(理学版)》, 2026, 61(2): 43-49.
[3] 余雷,孙懿,华金铭,李腊全. 基于深度神经网络的重症监护室脓毒症患者死亡风险预测模型分析[J]. 《山东大学学报(理学版)》, 2026, 61(1): 26-35.
[4] 吴辛尧,徐计. 基于图互信息池化的分层图表示学习[J]. 《山东大学学报(理学版)》, 2025, 60(7): 84-93.
[5] 闫晟煜,刘杨,刘继祥,陈海峰,郑元旺,温福华,王洪瑀. 基于GA-BP神经网络模型的二手载货汽车价值评估方法[J]. 《山东大学学报(理学版)》, 2025, 60(12): 11-20.
[6] 黄兴宇,赵明宇,吕子钰. 面向图神经网络表征学习的类别知识探针[J]. 《山东大学学报(理学版)》, 2024, 59(7): 85-94.
[7] 罗奇,苟刚. 基于聚类和群组归一化的多模态对话情绪识别[J]. 《山东大学学报(理学版)》, 2024, 59(7): 105-112.
[8] 黎超,廖薇. 基于医疗知识驱动的中文疾病文本分类模型[J]. 《山东大学学报(理学版)》, 2024, 59(7): 122-130.
[9] 孙承杰,李宗蔚,单丽莉,林磊. 一种基于核心论元的篇章级事件抽取方法[J]. 《山东大学学报(理学版)》, 2024, 59(7): 53-63.
[10] 陈玉明,郑光宇,焦娜. 基于粒神经网络的多标签学习[J]. 《山东大学学报(理学版)》, 2024, 59(5): 1-11.
[11] 王晨,许德刚,达虹鞠,唐智和,栾辉,范海浩. 基于DEM与“宽带结构”联合优化的XCH4遥感反演算法研究[J]. 《山东大学学报(理学版)》, 2024, 59(4): 127-134.
[12] 牛泽群,李晓戈,强成宇,韩伟,姚怡,刘洋. 基于图注意力神经网络的实体消歧方法[J]. 《山东大学学报(理学版)》, 2024, 59(3): 71-80, 94.
[13] 王新生,朱小飞,李程鸿. 标签指导的多尺度图神经网络蛋白质作用关系预测方法[J]. 《山东大学学报(理学版)》, 2023, 58(12): 22-30.
[14] 李蕾,叶永升. 具有Dirichlet有界条件的反应扩散Cohen-Grossberg神经网络指数稳定性[J]. 《山东大学学报(理学版)》, 2023, 58(10): 67-74.
[15] 庞玉婷,赵东霞,鲍芳霞. 具有多时滞和多参数的双向环状网络的稳定性[J]. 《山东大学学报(理学版)》, 2022, 57(8): 103-110.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 2018 《山东大学学报(理学版)》编辑部　
地址: 山东省济南市山大南路27号山东大学中心校区（250100）　电话: +86-0531-88366917　E-mail: xblxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发