Szczegóły publikacji
Opis bibliograficzny
Machine learning based network anomaly detection with protection against adversarial attacks — Wykrywanie anomalii sieciowych z ochroną przed atakami adwesaryjnymi / Andres VEJAR, Piotr CHOŁDA // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496. — 2023 — R. 96 nr 4, s. 117–120. — Tryb dostępu: https://krit2023.tele.agh.edu.pl/files/Przeglad_Telek_4_2023_... [2023-09-29]. — Bibliogr. s. 120, Streszcz., Abstr. — Konferencja Radiokomunikacji i Teleinformatyki KRiT 2023 : 20–22 września 2023, Kraków
Autorzy (2)
Słowa kluczowe
Dane bibliometryczne
ID BaDAP | 148934 |
---|---|
Data dodania do BaDAP | 2023-09-29 |
DOI | 10.15199/59.2023.4.23 |
Rok publikacji | 2023 |
Typ publikacji | referat w czasopiśmie |
Otwarty dostęp | |
Creative Commons | |
Czasopismo/seria | Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne |
Streszczenie
Implementacja sieci neuronowych do wykrywania anomalii sieciowych cieszy się dużym powodzenie. Niestety, tego rodzaju zautomatyzowane metody detekcji są podatne na tzw. ataki adwersaryjne. Atak tego rodzaju polega na spreparowaniu niewielkich odchyleń w stosunku do standardowych danych, co powoduje niepowodzenie w zakresie wykorzystywanego zadania klasyfikacji. Przedstawiamy przegląd metod wykrywania prowadzenia ataków adversaryjnych oraz opisujemy wstępne wyniki uzyskane dzięki zaproponowanej architekturze systemu mającego zapewnić odporność na takie ataki.
Abstract
Neural network based implementations for anomaly detection are proven to be successful for a range of communications applications. The inclusion of these automated methods involves vulnerability to adversarial attacks that affect a broad range of models. An adversarial attack consists in fabrication of small variations with respect to the standard data input, with the property of triggering a failure in the classification task at hand. In this study we present a review on adversarial environments, and we describe the preliminary results of our system architecture for the analysis of adversarial-resilient network anomaly detection systems.