EXPLOITING AND SECURING MACHINE LEARNING: A CYBERSECURITY PERSPECTIVE ON ADVERSARIAL VULNERABILITIES AND COUNTERMEASURES
Notice bibliographique
Résumé
Machine learning (ML) is now the new focus of cybersecurity, as it can be used to perform automated intrusion detection, malware classification, and anomaly recognition. ML models are extremely susceptible to adversarial perturbations, or small, intentional manipulation of data that can severely misclassify the input data but leave no discernible effects on the input data. The research discusses the vulnerabilities of the ML models to adversarial attacks and examines effective and reproducible countermeasures that enhance capacity against cybersecurity-related apps. The performance drops because of adversarial attacks, and determines the performance of adversarial retraining in causing model resilience against adversarial attacks. An open-source adversarial dataset was used in a semi-empirical experiment utilizing Fast Gradient Sign Method (FGSM). To evaluate the performance of a feed-forward neural network under clean, adversarial and post-defence settings, Python-based frameworks were trained, attacked and re-trained. The FGSM attack decreased model accuracy by about 19% which validates that adversarial noise is highly vulnerable. The model regained about 14% of the lost performance, and this enhanced the classification stability and detection accuracy after retraining on combined clean and perturbed data. The results indicate that reproducible experiments of lightweight can be used effectively to test adversarial threats. Although the retraining approaches are not complex, even basic methods lead to a substantial enhancement of ML resilience and facilitate reliable and trusted AI-determined cybersecurity infrastructures.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».