刘广睿的思维实验室

欢迎来到刘广睿的思维实验室！

这里充满了奇特的思想和有趣的点子。如果你对网络安全或者人工智能感兴趣，欢迎在留言区与我讨论相关问题，或者瞧瞧我的几个GitHub开源项目。同时我们也可以交流一切关于存在主义的哲学思想。另外任何关于博客搭建的问题可以在任意一个Hexo分类下的文章下留言，我将尽快进行回复。您可以在关于页面了解更多我的信息。希望您能在这里找到对您有用的信息，祝您玩的开心！

本文以最基本的概念讲解生成对抗网络的设计原理，基于信息论与概率论分析生成对抗网络损失函数的推导过程。文章有助于理解不限于生成对抗网络的其它深度学习损失函数推演思路，致力于使读者可以举一反三构造符合特定环境的生成对抗网络。

传统僵尸网络检测方法受限于系统可接受的网络带宽，无法满足Gbps级的网络需求。因此在数据收集、存储、特征提取和分析方面都存在瓶颈。本文提出了一个可扩展的大数据框架，可对僵尸网络检测系统中每个组件进行扩展。框架可用于任何僵尸网络检测方法，包括统计方法、机器学习方法和基于图的方法。实验结果表明本框架可在一个真实网络环境中实现5Gbps的吞吐量和5000万个IP地址访问。框架运行时间随着输入数据的增长呈对数上升。

《调查：对抗攻击对网络安全中机器学习系统的威胁》，本工作由Olakunle Ibitoye等人整理完成，文章于2019年提交Arxiv。机器学习算法使许多决策系统执行更快、更准确、更高效。然而相比其她领域，机器学习在网络安全中的应用面临更多的主动对抗动机的威胁。因为机器学习在网络安全中的应用(如恶意软件检测、入侵检测和垃圾邮件过滤)本身就是对抗性的。这可以被视为攻击者和防御者之间的一场军备竞赛，对手不断探测机器学习系统，并将其输入设计为可绕过系统，诱导系统做出错误预测的样本。在本项调查中，我们首先将机器学习从技术、任务和深度角度分类。然后介绍了机器学习在网络安全应用中的类别。接下来我们研究了网络安全中针对机器学习的各种对抗性攻击，并介绍了网络安全中对抗性攻击的两种分类方法。首先，我们根据网络安全应用的分类对网络安全中的对抗攻击进行划分。其次，我们将网络安全中的对抗攻击从问题空间与特征空间两个维度进行划分。然后我们分析了针对基于机器学习的网络安全应用程序上的对抗攻击的各种防御方案。最后，我们总结了一个对抗风险网格图，使用此图评估了几种针对应用于网络安全的机器学习的对抗攻击。我们还确定了每个攻击分类在网格图中的位置。

中文译名“调研：面向NIDS的对抗攻击与防御”。本调查由Ilja Moisejevs整理完成，文章与2019年发表于IJAE2019。随着对处理数据的需求量不断增长以及计算能力不断进步，基于机器学习的入侵检测系统（ML-IDS）逐渐进入人们视野。ML-IDS的挑战在于机器学习在正常情况下可以更好的检测入侵，但它本身也容易受到了解系统工作原理的对手攻击。在本调研报告中我们综述了这的对手可以对IDS进行的各种不同类型的攻击，另一方面IDS也可以通过各种防御手段提高自身健全性。在深入研究攻击与防御方法之前，我们首先阐明IDS的一些历史背景与不同种类的对抗攻击方法。