PulseAugur
中
实时 00:46:33
English(EN) Probabilistic Robustness-driven Universal Adversarial Perturbations with Explainability against Deep Reinforcement Learning-based Intrusion Detection System

新型对抗性攻击针对基于深度强化学习的入侵检测系统

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了新的通用对抗性扰动（UAP）生成方法，专门用于降低基于深度强化学习（DRL）的入侵检测系统（IDS）的性能。这些UAP旨在通过在各种网络流量类型上应用单一的、与输入无关的扰动来降低检测准确性。提出的基于概率鲁棒性（PR）的UAP将显式的PR驱动目标整合到UAP生成中，而高级版本PX-UAP则利用可解释人工智能（XAI）在现实约束下塑造扰动。实验表明，PX-UAP在攻击有效性方面优于现有的UAP方法。 AI

影响 开发了新的对抗性攻击技术，可能对人工智能驱动的入侵检测系统的安全性构成挑战。

排序理由 详细介绍针对人工智能系统的新型对抗性攻击方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型对抗性攻击针对基于深度强化学习的入侵检测系统

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Hongsen Zhang, Lu Zhang, Mingjing Xu, Yi Zhang, Gregory Epiphaniou, Carsten Maple ·

    基于概率鲁棒性的通用对抗性扰动与可解释性研究，对抗基于深度强化学习的入侵检测系统

    arXiv:2609.30605v1 Announce Type: new Abstract: Deep reinforcement learning (DRL) enables adaptive intrusion detection in dynamic network environments but also exposes intrusion detection systems (IDS) to adversarial threats such as universal adversarial perturbations (UAPs), whi…

相关实体

相关话题