ネットワーク侵入検知システム（NIDS）は、ネットワークトラフィックを監視し、疑わしいまたは悪意のある活動を特定することで、現代のサイバーセキュリティインフラストラクチャにおいて重要な役割を果たしています。近年、機械学習技術は自動化されたトラフィック分析と異常検知を可能にすることで、侵入検知システムの性能を大幅に向上させました。しかし、セキュリティシステムへの機械学習の統合は、新たな脆弱性をもたらし、攻撃者による悪用の可能性を生じさせます。こうした脅威の一つが敵対的機械学習であり、これは悪意ある者が学習用またはテスト用データを操作して機械学習モデルを騙し、その性能を低下させる手法です。本研究は、ネットワーク侵入検知システムを標的とした敵対的機械学習攻撃の包括的な分析を提供します。本論文では、元のデータセットに小さな摂動を加えることで敵対的サンプルが生成され、侵入検知モデルによる誤った予測がもたらされる仕組みを探ります。さらに、攻撃者の知識レベル、誤分類の目的、影響を受ける学習段階、意図されたセキュリティ違反といった複数の基準に基づいて敵対的攻撃を分類します。これらの攻撃戦略の理解は、敵対的操作に対抗できるより堅牢で安全な侵入検知システムの設計に不可欠です。
Phaneedraら（Thu,）がこの問題を研究しました。