Key points are not available for this paper at this time.
Résumé Les systèmes IDS basés sur l'intelligence artificielle (IA) sont susceptibles aux attaques adversariales et font face à des défis tels que des méthodes d'évaluation complexes, des taux de faux positifs élevés, l'absence de validation efficace et des processus longs. Cette étude propose un cadre WCSAN-PSO pour détecter les attaques adversariales dans les IDS basé sur un réseau adversarial conditionnel à étapes pondérées (WCSAN) avec un algorithme d'optimisation par essaim de particules (PSO) et un SVC (classificateur à vecteurs de support) pour la classification. L'analyse en composantes principales (PCA) et l'opérateur de shrinksage et de sélection absolue minimale (LASSO) sont utilisés pour la sélection et l'extraction des caractéristiques. L'algorithme PSO optimise les paramètres du générateur et du discriminateur dans WCSAN pour améliorer l'entraînement adversarial des IDS. L'étude présente trois scénarios distincts avec évaluation quantitative, et le cadre proposé est évalué avec un entraînement adversarial sur des données équilibrées et déséquilibrées. Comparé aux études existantes, le cadre proposé a atteint une précision de 99,36 % dans le trafic normal et de 98,55 % dans le trafic malveillant lors des attaques adversariales. Cette étude présente un aperçu complet pour les chercheurs intéressés par les attaques adversariales et leur signification en matière de sécurité informatique.
Barik et al. (Fri,) ont étudié cette question.