Robustez adversarial em sistemas de deteccao de intrusao para
redes: treino adversarial e deteccao out-of-distribution
Fora de distribuição. Robustez adversarial. Sistemas de
detecção de intrusão.
Sistemas de detecção de intrusão baseados em aprendizado profundo são
vulneráveis a
ações evasivas chamadas ataques adversários. Este é um problema crítico,
pois sistemas com suposta alta precisão são suscetíveis a esses ataques.
Neste trabalho, apresentamos uma nova abordagem que utiliza treinamento
adversário para aumentar a robustez, sendo também capaz de detectar ataques
não utilizados no treinamento adversário do modelo. Para isso, é proposto
dois classificadores: um para Network Intrusion Detection Systems (NIDS) e
outro para fora de distribuição. O método para detecção de intrusão em rede
combina o modelo treinado adversarialmente com um método por distância
Mahalanobis projetado para lidar com amostras adversárias fora de
distribuição. Avaliamos o desempenho do modelo nos conjuntos de dados CIC
IDS2017 e UNSW-NB15 , e a abordagem de treinamento adversário com detecção
fora de distribuição se mostrou robusta contra ataques adversários
avançados.