Investigating Resistance of Deep Learning-based IDS against Adversaries\n using min-max Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the growth of adversarial attacks against machine learning models,\nseveral concerns have emerged about potential vulnerabilities in designing deep\nneural network-based intrusion detection systems (IDS). In this paper, we study\nthe resilience of deep learning-based intrusion detection systems against\nadversarial attacks. We apply the min-max (or saddle-point) approach to train\nintrusion detection systems against adversarial attack samples in NSW-NB 15\ndataset. We have the max approach for generating adversarial samples that\nachieves maximum loss and attack deep neural networks. On the other side, we\nutilize the existing min approach [2] [9] as a defense strategy to optimize\nintrusion detection systems that minimize the loss of the incorporated\nadversarial samples during the adversarial training. We study and measure the\neffectiveness of the adversarial attack methods as well as the resistance of\nthe adversarially trained models against such attacks. We find that the\nadversarial attack methods that were designed in binary domains can be used in\ncontinuous domains and exhibit different misclassification levels. We finally\nshow that principal component analysis (PCA) based feature reduction can boost\nthe robustness in intrusion detection system (IDS) using a deep neural network\n(DNN).\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle