Adversarial Attack on Deep Learning Based Network Intrusion Detection Systems: An Empirical Analysis across Datasets and Features
Cet article démontre empiriquement que les systèmes de détection d'intrusion réseau basés sur l'apprentissage profond sont hautement vulnérables aux attaques d'évasion adverses à travers différents ensembles de données et de caractéristiques, révélant que la vulnérabilité est une propriété inhérente à la surface de décision apprise plutôt qu'un problème spécifique à un ensemble de données, et proposant un Indice de Vulnérabilité des Caractéristiques pour identifier quelles caractéristiques d'entrée sont les plus susceptibles de subir des perturbations.