PulseAugur
中
实时 10:02:59
English(EN) Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems

CNN在基于ML的网络入侵检测中表现出卓越的鲁棒性

作者 PulseAugur 编辑部 · [2 个来源] ·

一项新的研究论文调查了用于网络入侵检测系统的机器学习模型在对抗性攻击下的鲁棒性。研究发现，虽然随机森林模型达到了很高的基线准确率，但在对抗性压力下它们会灾难性地失效。相比之下，卷积神经网络（CNN）表现出更强的韧性，即使在扰动水平不断增加的情况下也能保持高准确率，这表明CNN在对抗性环境中是更合适的选择。 AI

影响 CNN在网络入侵检测中提供了更强的对抗性攻击韧性，指导实践者进行更安全的部署。

排序理由 在arXiv上发表的学术论文，详细介绍了新的研究发现。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Mayank Raj, Nathaniel D. Bastian, Lance Fiondella, Gokhan Kul ·

    Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems

    arXiv:2606.12075v1 Announce Type: cross Abstract: Network Intrusion Detection Systems (NIDS) heavily utlize Machine Learning (ML) but ML models can be manipulated via adversarial attacks. These attacks add carefully crafted perturbations to network traffic data that leads to misc…

  2. arXiv cs.LG TIER_1 English(EN) · Gokhan Kul ·

    面向基于机器学习的网络入侵检测系统的分类鲁棒性评估

    Network Intrusion Detection Systems (NIDS) heavily utlize Machine Learning (ML) but ML models can be manipulated via adversarial attacks. These attacks add carefully crafted perturbations to network traffic data that leads to misclassifications. While prior work has demonstrated …

相关实体

相关话题