在软件定义网络中调查针对网络入侵检测系统的对抗攻击

基于机器学习的网络入侵检测系统（ML-NIDS）在抵御网络攻击方面越来越受到欢迎。特别是，在软件定义网络（SDN）中，利用逻辑上集中控制平面提供的跨网络数据访问，展现了有希望的检测结果。然而，针对机器学习分类器的对抗攻击研究揭示了多个领域的脆弱性。这些脆弱性引发了人们对在SDN中实施类似分类器的基于异常的NIDS的担忧。本研究调查了在该领域对分类器进行对抗攻击的可行性。我们实现了一个基于异常的NIDS Neptune，作为目标平台，利用了多种不同的机器学习分类器和流量特征。我们开发了一个对抗测试工具Hydra，以评估对Neptune的对抗逃避分类器攻击的影响，目标是降低恶意网络流量的检测率。结果表明，经过少量特征的扰动，Neptune对特定SYN洪水分布式拒绝服务（DDoS）攻击的检测准确率从100%降至0%，在多个分类器上均如此。基于这些结果，提出了增加分类器对已证明攻击的鲁棒性的建议。