NIDS-Vis: 네트워크 침입 탐지 시스템의 일반화된 적대적 강인성 향상

네트워크 침입 탐지 시스템(NIDS)은 악의적인 공격으로부터 다양한 네트워크를 보호하는 데 있어 중요합니다. 최근 딥 뉴럴 네트워크(DNN)의 발전은 연구자들이 NIDS의 기본 탐지 엔진으로 DNN을 통합하도록 장려했습니다. 그러나 DNN은 입력 데이터에 대한 미세한 수정으로 잘못 분류되는 적대적 공격에 취약하여, NIDS와 같은 보안 민감 도메인에 중대한 위협을 초래합니다. 기존의 적대적 방어 노력은 주로 컴퓨터 비전에서 감독 분류 작업에 초점을 맞추고 있으며, NIDS의 비지도 아웃라이어 탐지 작업과는 상당히 다릅니다. 이러한 격차를 해소하기 위해, 우리는 일반화된 적대적 강인성의 새로운 방법을 소개하고 제공된 입력 근처에서 DNN 기반 NIDS의 결정 경계를 횡단하는 혁신적인 블랙 박스 알고리즘 NIDS-Vis를 제안합니다. NIDS-Vis를 통해 우리는 결정 경계의 기하학을 시각화하고 성능 및 적대적 강인성에 미치는 영향을 조사할 수 있습니다. 우리의 실험은 성능과 강인성 간의 절충을 밝혀내며, 성능을 크게 저하시키지 않으면서 DNN 기반 NIDS의 일반화된 적대적 강인성을 향상시키기 위한 두 가지 새로운 훈련 기술인 특징 공간 분할 및 분포 손실 함수를 제안합니다.