PulseAugur
中
实时 07:18:12
English(EN) Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems

CNN在鲁棒网络入侵检测中优于随机森林

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文评估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。该研究使用ACI-IoT-2023数据集和FGSM/PGD对抗性攻击测试了三种流行的架构——一维卷积神经网络（CNN）、长短期记忆（LSTM）和随机森林（RF）。令人惊讶的是，尽管随机森林模型具有很高的基线准确率，但在攻击下显著失效，而CNN即使在扰动水平增加的情况下也保持了强劲的性能。 AI

影响 建议在面临对抗性威胁的入侵检测系统中采用基于CNN的架构，挑战了关于模型性能的先验假设。

排序理由 评估机器学习模型鲁棒性的学术论文。[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 →

报道来源 [1]

  1. 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