ネットワーク侵入検知システム（NIDS）は、不正または権限のないアクセスと多くのサイバー攻撃からコンピュータネットワークを保護する重要な役割を果たしてきました。機械学習（ML）アプローチの進展に伴い、NIDSはコンピュータネットワーク内の複雑な異常を検出する効果が高まっています。しかし、敵対的攻撃（AA）の増加する複雑さは、これらのシステムにとって重大な課題となっています。サイバー攻撃は、2025年までに年間約10.5兆ドルのコストがかかると推定されており、これは研究者に対してこれらのシステムの敵対的脆弱性に対処するためにMLベースのNIDSを改善・開発することを促しています。このレビューでは、回避、毒リンゴ攻撃、生成的敵対的ネットワーク（GAN）など、多くの異なる攻撃手法を含むAAに対するMLベースのIDSの弱点を明らかにします。また、この研究は異常検出アプローチ、敵対的トレーニング、特徴選択を含むがこれに限らない、AAに対する現在の防御アプローチを提示し、評価します。さらに、NIDSで使用されるさまざまなMLモデルの比較分析を提供し、システムの巧妙なAAへの感受性をさらに評価します。巧妙な攻撃に対するMLベースのNIDSの耐性を向上させるための今後の作業に関する議論も行います。
Ahmed et al. (Sat,) がこの問題を研究しました。