AI-NIDS Robustness Lab
Şəbəkə hücumlarını aşkarlayan neyron şəbəkələrinin, hücumçu trafikini bir az dəyişəndə nə qədər asan aldandığını ölçən tədqiqat. Streamlit-də interaktiv dashboard.
ai-nids-robustness.streamlit.app
NƏ EDİR
Neyron şəbəkə şəbəkə hücumlarını 99.9% dəqiqliklə tanıya bilər. Bəs hücumçu öz trafikini bir az dəyişsə, nə olur? Bu tədqiqat məhz bunu ölçür.
MLP və 1D-CNN modelləri iki datasetdə öyrədilib: köhnə KDD Cup 1999 və daha müasir UNSW-NB15. Sonra FGSM və PGD hücumları ilə iki təhlükə modeli altında yoxlanılıb. Adversarial təlim müdafiə kimi sınanıb, hücumların gradient boosted ağaclara keçib-keçmədiyi ölçülüb, qərarlar Integrated Gradients ilə izah olunub.
Əsas nəticə: KDD-də davamlı görünən detektorlar UNSW-NB15-də çökür, standart müdafiə isə orada iflasa uğrayır.
Streamlit tətbiqi boş qalanda yatır, ilk açılış bir neçə saniyə çəkə bilər.
3.7×
UNSW-NB15-də hücumlar normal trafikə 3.7 dəfə yaxındır, ona görə detektorlar orada çökür.
ƏSAS XÜSUSİYYƏTLƏR
- Standart adversarial təlim UNSW-NB15-də CNN-in təmiz aşkarlama dərəcəsini 0.025-ə endirir.
- Qarışıq təlim çöküşün qarşısını alır, amma davamlılığı şişirdilmiş görünür.
- Ağaclar transfer hücumlarına qarşı daha yaxşı dayanır.
TEXNOLOGİYALAR
PyTorch1D-CNNPGD / FGSMStreamlit