A Novel and Practical Universal Adversarial Perturbations against Deep Reinforcement Learning based Intrusion Detection Systems
Created by
Haebom
Category
Empty
저자
H. Zhang, L. Zhang, G. Epiphaniou, C. Maple
개요
본 논문은 딥 강화 학습(DRL) 기반 침입 탐지 시스템(IDS)의 취약점을 공격하는 새로운 보편적 적대적 방해(UAP)를 제안합니다. 특히, 네트워크 데이터 규칙과 특징 관계에서 파생된 도메인별 제약 조건 하에서 DRL 기반 IDS를 대상으로 하는 UAP 생성 방식을 제시합니다. 또한, 피어슨 상관 계수(PCC) 기반의 사용자 정의 손실 함수를 도입하여 공격의 회피 성능을 향상시킨 '맞춤형 UAP'를 제안합니다. 실험 결과는 제안된 맞춤형 UAP가 기존 공격 및 UAP 기준선보다 우수한 성능을 보임을 입증합니다.
시사점, 한계점
•
시사점:
◦
DRL 기반 IDS의 적대적 공격 취약성을 보여줍니다.
◦
실제 도메인 제약 조건을 고려한 UAP 생성 방식을 제시하여 현실적인 공격 시나리오를 반영합니다.
◦
PCC 기반의 손실 함수를 활용하여 공격의 효과를 향상시킵니다.
◦
기존 공격 및 UAP 기준선과의 비교를 통해 제안된 방법의 우수성을 입증합니다.
•
한계점:
◦
논문에 제시된 구체적인 IDS 모델 및 환경에 국한될 수 있으며, 다른 IDS 모델에 대한 일반화 가능성은 추가 연구가 필요합니다.
