文献类型：期刊文章

作　　者：钱亚冠[1] 卢红波[1] 纪守领[2] 周武杰[3] 吴淑慧[1] 雷景生[1] 陶祥兴[1]

QIAN Ya-guan;LU Hong-bo;JI Shou-ling;ZHOU Wu-jie;WU Shu-hui;LEI Jing-sheng;TAO Xiang-xing(School of Science & Big Data Science,Zhejiang University of Science and Technology,Hangzhou,Zhejiang 310023,China;College of Computer Science and Technology,Zhejiang University,Hangzhou,Zhejiang 310058,China;School of Information and Electronic Engineering,Zhejiang University of Science and Technology,Hangzhou,Zhejiang 310023,China)

机构地区：[1]浙江科技学院理学院/大数据学院,浙江杭州310023 [2]浙江大学计算机学院,浙江杭州310058 [3]浙江科技学院信息与电子工程学院,浙江杭州310023

出　　处：《电子学报》

基　　金：浙江省自然科学基金(No.LY17F020011;No.LY18F020012);国家自然科学基金(No.61772466;No.61672337;No.11771399)

年　　份：2019

卷　　号：47

期　　号：1

起止页码：59-65

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：在机器学习被广泛应用的背景下,本文提出一种针对基于SVM(Support Vector Machine)入侵检测系统的新颖攻击方法——毒性攻击.该方法通过篡改训练数据,进而误导SVM的机器学习过程,降低入侵检测系统的分类模型对攻击流量的识别率.本文把这种攻击建模为最优化问题,利用数值方法得到攻击样本.通过包含多种攻击类型的NSL-KDD数据集进行实验,从攻击流量的召回率和精度这两个指标对攻击效果进行评估,与已有方法相比,实验结果表明本文方法可更有效地降低入侵检测系统的识别率.本文希望通过该研究进一步认识针对机器学习的新颖攻击,为下一步研究对应的防御机制提供研究基础.

关 键 词：机器学习  支持向量机 入侵检测 毒性攻击  双层优化

分 类 号：TP309.2]