تجنب كاشفات الشبكات القائمة على التدفقات والغابات العشوائية باستخدام عينات عدوانية

يتم اعتماد التعلم الآلي بشكل متزايد لمجموعة واسعة من التطبيقات، وذلك بسبب نتائجه الواعدة وقدراته الذاتية. ومع ذلك، أظهرت الأبحاث الحديثة أن هذه التقنيات الجديدة، وخاصة في مجال معالجة الصور، معرضة للت perturbations العدوانية. في هذه الورقة، نقدم تحليلًا يبرز ويقيّم تجريبيًا هشاشة أنظمة كشف التطفل الشبكي المعتمدة على خوارزميات التعلم الآلي ضد الهجمات العدوانية. على وجه الخصوص، تتضمن دراستنا مصنف غابة عشوائية يستخدم التدفقات الشبكية لتمييز بين عينات الشبكات الضارة والعادية. تُظهر نتائجنا، المستمدة من تجارب أجريت على مجموعة بيانات حقيقية عامة من التدفقات الشبكية الموسومة، أن المهاجمين يمكنهم بسهولة تفادي مثل هذه الآليات الدفاعية من خلال تطبيق تعديلات طفيفة مستهدفة على النشاط الشبكي الناتج عن الروبوتات التي يتحكمون بها. تمهد هذه الاكتشافات الطريق لتقنيات المستقبل التي تهدف إلى تعزيز أداء أنظمة كشف التطفل الشبكي المعتمدة على التعلم الآلي.