LMP-GAN:对非控制数据恶意软件攻击进行分布外检测

科学领域:

• 机器学习 机器学习
• 网络安全 网络安全
• 统计推理 统计推理

背景情况:

• 异常检测,特别是分布外 (OOD) 检测,是一个关键的机器学习任务.
• OOD检测是半监督的,只在内向样本上进行训练,而不建模异常分布.
• 网络物理系统面临新的威胁,如非控制数据 (NCD) 攻击,逃避传统恶意软件检测.

研究的目的:

• 开发一个基于GAN的新型OOD检测网络.
• 为了保护网络物理信号系统免受复杂的NCD木马恶意软件攻击.
• 为了利用统计推理的原则,特别是局部最强大的 (LMP) 测试.

主要方法:

• 设计了一个基于GAN的新型OOD检测网络,称为LMP-GAN.
• 训练了区分器生成OD样本,最大限度地改变内置量,同时逃避检测.
• 灵感来自统计推断的经典本地最强大 (LMP) 测试.

主要成果:

• 拟议的LMP-GAN证明了有效的OOD检测能力.
• 实验结果显示,与最先进的异常检测方法相比,性能优越.
• 该网络成功地识别了绕过传统检测技术的新型NCD攻击.

结论:

• LMP-GAN是用于网络物理系统的高效OOD探测器.
• 该方法提供了对先进的NCD恶意软件的强有力的保护.
• 该方法验证了将LMP原则集成到基于GAN的异常检测中的好处.