МОДЕЛИРОВАНИЕ АТАК НА КОМПОНЕНТЫ МАШИННОГО ОБУЧЕНИЯ СИСТЕМ ОБНАРУЖЕНИЯ ВТОРЖЕНИЙ

Резюме: Цель исследования состоит в разработке моделей состязательных атак на компоненты машинного обучения систем обнаружения вторжений, таких как метод быстрого знака градиента (Fast Gradient Sign Method) и атака «лягушка в кипятке» (Boiling frog attacks). Методы исследования состоят в моделировании атакующих воздействий на языке Python. Для атак отравления применяется подмешивание в обучающие данные вредоносного трафика. Атаки уклонения моделируются добавлением шума. Для оценки эффективности моделей обнаружения в условиях атак использовались метрики F-мера, точность (Precision) и полнота (Recall). Эксперименты проводились на трех различных системах обнаружения вторжений, основанных на различных моделях классификации: случайный лес, многослойны перцептрон, глубокое машинное обучение, метод оперных векторов. В результате исследования произведено моделирование атак уклонения и отравления на компоненты машинного обучения. В результате моделирования, была выявлена низкая устойчивость всех исследуемых моделей классификаторов к состязательным атакам. Дальнейшие исследования будут посвящены изучению методов защиты от атак данных классов.

Ключевые слова: кибербезопасность, обнаружение вторжений, глубокое обучение, атаки на компоненты машинного обучения, модели состязательных атак.

I.V. Kotenko, E.A. Ichetovkin

MODELING ATTACKS AGAINST MACHINE LEARNING COMPONENTS OF INTRUSION DETECTION SYSTEMS

Summary: The objective of the study is to develop models of adversarial attacks against machine learning components of intrusion detection systems, such as the Fast Gradient Sign Method and Boiling frog attacks. The research methods consist of modeling the attack impacts in Python. For poisoning attacks, malicious traffic is mixed into the training data. Evasion attacks are modeled by adding noise. The F-measure, Precision, and Recall metrics were used for assessment of effectiveness of the detection models under attacks. The experiments were conducted on three different intrusion detection systems based on different classification models: random forest, multilayer perceptron, deep machine learning, and operant vector machine learning. As a result of the study, evasion and poisoning attacks against machine learning components were modeled. As a result of the modeling, low stability of all studied classifier models to adversarial attacks was revealed. Further research will be devoted to studying methods of protection against attacks of these classes.

Keywords: cybersecurity, intrusion detection, deep learning, attacks against machine learning components, adversarial attack models.

DOI: 10.34219/2078-8320-2025-16-2-118-128