神经网络(NN)基网络入侵检测系统(NIDS)的对抗性攻击研究

admin 2026年3月5日17:48:13评论100 views字数 2845阅读9分29秒阅读模式

该研究揭示了17种通用对抗样本生成方法在实际网络攻击场景中均失效,因其未满足网络协议约束且难以兼顾‘攻陷目标’与‘规避检测’双重目标。为此提出协议约束感知(PCAW)方法,通过掩码机制、值约束与rounding处理确保对抗样本符合协议规则,并结合记录重放机制缓解多包攻击的不确定性。实验验证其在ARP欺骗和DNS缓存投毒中的有效性,隐身攻击成功率约63.8%,并提出基于DeepCloak的防御方案。

神经网络(NN)基网络入侵检测系统(NIDS)的对抗性攻击研究,指出现有 17 种通用对抗样本生成方法在实际网络攻击场景(标准威胁模型) 中均失效,核心原因是未满足网络协议约束且无法同时达成 “攻陷目标机器 + 规避 NN 检测” 双重目标;为此提出协议约束感知(PCAW)对抗样本生成方法,通过掩码机制、值约束与 rounding 处理确保对抗样本符合协议规则,结合记录重放机制缓解多包攻击的会话级不确定性;以 ARP 欺骗和 DNS 缓存投毒为案例验证,结果显示该方法可生成有效隐身攻击包(ARP 欺骗隐身攻击成功率约 63.8%,DNS 缓存投毒可成功规避 NN 检测),同时给出基于 DeepCloak 的防御思路,为神经网络 NIDS 的攻防对抗提供关键技术参考。
神经网络(NN)基网络入侵检测系统(NIDS)的对抗性攻击研究

一、研究背景与核心问题

  1. 神经网络 NIDS 的应用与对抗性威胁
    • 现有 NIDS 缺陷:特征码 / 规则基方法易被绕过,异常检测误报率高;神经网络 NIDS 无需人工特征工程,可检测未知攻击,IBM QRadar、微软 Security Copilot 等产品已落地。
    • 对抗性样本风险:攻击者可通过生成对抗样本误导 NN 模型,但现有研究存在关键缺陷。
  2. 两大威胁模型的核心差异
    • 数据操纵威胁模型(现有研究):假设攻击者可修改已捕获 / 处理的网络数据,与计算机视觉领域对抗样本研究逻辑一致,但不符合实际场景。
    • 标准威胁模型(实际 NIDS):攻击者仅能在数据包发送前修改,无法干预已收集的数据,且受限于非管理员权限、严格访问控制等约束。
  3. 通用对抗样本生成方法的失效验证
    • 实验设计:测试 17 种通用方法(FGSM、BIM、DeepFool 等),针对 ARP 欺骗检测 MLP 模型生成对抗样本,转换为攻击包后发起实际攻击。
    • 失效结果:17 种方法中仅 9 种生成 500 + 对抗样本,但均无法攻陷目标机器,核心原因是修改了协议关键字段(如 ARP 包类型字段 0x0806 被篡改),导致数据包无效。

二、核心解决方案:协议约束感知(PCAW)对抗样本生成

  1. PCAW 对抗样本的定义与核心要求
    • 定义:同时满足 “协议约束合规(可发起有效攻击)” 和 “对抗性(NN 模型误分类)” 的样本,对应的攻击包称为 “隐身攻击包”。
    • 两大挑战:生成符合协议规则的对抗样本;解决多包攻击的会话级不确定性。
  2. 关键技术设计
    • 构建对抗值集数据库:提取 PCAW 样本中可修改字段的有效值,匹配目标查询包后复用。
    • 虚拟攻击包策略:周期性发送与真实攻击包相似的虚拟包,增加数据样本中攻击包占比,降低检测率。
    • 耐心攻击者模拟:仅当网络环境与数据库中成功会话匹配时发起攻击,提升成功率。
    • 掩码 FGSM:在梯度计算后应用掩码,耗时极短(0.03s)但未生成有效 PCAW 样本。
    • 掩码 ZOO:基于零阶优化,逐字段修改,虽耗时较长但能生成有效样本。
    • 掩码机制:按协议规范标记字段可修改性(1 = 可修改,0 = 不可修改),过滤校验和、长度等关键字段,仅允许修改 TTL 等非核心字段。
    • 值约束与 round 处理:将修改后的值限制在有效范围(如 ARP 包字节 [0,255]、DNS 包比特 0/1),避免小数或越界值导致数据包失效。
    • 改进对抗样本生成方法:
    • 多包攻击不确定性缓解:

三、实验验证:设计、过程与关键结果

  1. 实验基础设置
    配置项
    详细信息
    数据集
    ARP 欺骗:训练集 9584 条(良性:恶意 = 1.005:1)、测试集 2400 条(0.982:1);DNS 缓存投毒:训练集 30928 条(1.003:1)、测试集 7732 条(0.988:1)
    检测模型
    ARP 欺骗:MLP(输入 42 维字节向量),准确率 99.75%、检测率 99.59%、误报率 0.08%;DNS 缓存投毒:CNN(输入 6×32×8 三维矩阵),准确率 99.73%、检测率 99.53%、误报率 0.08%
    软硬件环境
    CPU:Intel Core i9-9900KS;GPU:Nvidia RTX 3090;软件:Python 3.8.5、TensorFlow 2.4.1、ART 1.6.1、FoolBox 3.3.1
  2. ARP 欺骗隐身攻击实验结果
    • PCAW 样本生成效率:

      方法
      耗时(s)
      生成 PCAW 样本数
      成功隐身攻击数
      平均损失(L0/L1/L2/Linf)
      掩码随机
      154.03
      0
      0
      -
      掩码 FGSM
      0.03
      0
      0
      NA
      掩码 ZOO
      602.90
      36
      23
      11/1214.17/418.43/210.67
    • 失效样本分析:13 个未成功的样本因 IP 地址被修改为广播地址(如 192.168.100.0),无法映射到目标机器。
  3. DNS 缓存投毒隐身攻击实验结果
    • PCAW 样本生成差异:

      数据样本类型
      方法
      耗时(s)
      生成 PCAW 样本数
      内存消耗(MB)
      单攻击包(100 个样本)
      掩码 ZOO
      2148.92
      0
      39.22
      双攻击包(89 个样本)
      掩码 ZOO
      1768.66
      5
      26.02
    • 虚拟攻击包的影响(检测率变化):

      虚拟包间隔(s)
      无
      1.0
      0.5
      0.1
      检测率
      99.39%
      98.73%
      97.53%
      55.24%
      数据样本中平均攻击包数
      1.06
      1.25
      1.49
      3.36
    • 会话级验证:46545 个 DNS 会话中仅 1 个成功重放隐身攻击会话,需等待约 67 小时(大规模企业网络中可缩短至秒级)。

四、成本消耗与防御方案

  1. 方法成本分析
    • 时间消耗:掩码 FGSM 最快(0.03s),但无有效样本;掩码 ZOO 生成 ARP 样本需 602.90s,生成 DNS 双攻击包样本需 1768.66s;掩码随机方法最耗时(154.03s-234.47s)且无效。
    • 内存消耗:掩码随机方法内存占用最高(714.35MB),掩码 ZOO 最节省(26.02MB-39.22MB)。
    • 样本修改成本:ARP 欺骗 PCAW 样本平均修改 11 个字节(L0=11),DNS 双攻击包样本 L0=18.33(掩码 FGSM)/23.83(掩码 ZOO)。
  2. 防御方案与效果
    • 核心思路:DeepCloak 在 NN 输出层前添加掩码层,过滤易受对抗样本影响的特征。
    • 实验结果:过滤 1 个特征即可还原 33/36 个 ARP PCAW 样本标签,最多可还原 34 个,模型原始评估指标(准确率、F1 值)仅下降 0.0001。

五、局限性与相关工作

  1. 研究局限性
    • 多包攻击会话级检测率难降低:DNS 会话中前几个数据样本攻击包占比低,仍易被检测。
    • 攻击者风险:虚拟攻击包可能因异常流量暴露,且生成 PCAW 样本需大量前置数据收集与计算资源。
  2. 相关工作对比
    • 现有研究:多基于数据操纵模型,未考虑协议约束,也未验证攻击包在实际网络中的有效性。
    • 本文创新:首次在标准威胁模型下生成并验证隐身攻击包,明确协议约束对对抗样本的关键影响。

原文始发于微信公众号(网络安全直通车):神经网络(NN)基网络入侵检测系统(NIDS)的对抗性攻击研究

免责声明:文章中涉及的程序(方法)可能带有攻击性,仅供安全研究与教学之用,读者将其信息做其他用途,由读者承担全部法律及连带责任,本站不承担任何法律及连带责任;如有问题可邮件联系(建议使用企业邮箱或有效邮箱,避免邮件被拦截,联系方式见首页),望知悉。
  • 左青龙
  • 微信扫一扫
  • weinxin
  • 右白虎
  • 微信扫一扫
  • weinxin
admin
  • 本文由 发表于 2026年3月5日17:48:13
  • 转载请保留本文链接(CN-SEC中文网:感谢原作者辛苦付出):
                   神经网络(NN)基网络入侵检测系统(NIDS)的对抗性攻击研究http://cn-sec.com/archives/5063199.html
                  免责声明:文章中涉及的程序(方法)可能带有攻击性,仅供安全研究与教学之用,读者将其信息做其他用途,由读者承担全部法律及连带责任,本站不承担任何法律及连带责任;如有问题可邮件联系(建议使用企业邮箱或有效邮箱,避免邮件被拦截,联系方式见首页),望知悉.

发表评论

匿名网友 填写信息