Diffusion-based Adversarial Purification for Intrusion Detection

网络攻击日益复杂，促使入侵检测系统中集成了机器学习技术，但对抗样本的出现带来了重大挑战。这些精心制作的扰动会误导机器学习模型，使攻击者能够逃避检测或触发虚假警报。作为一种反应，对抗净化已成为一种有吸引力的解决方案，特别是扩散模型显示出有希望的结果。然而，它们在入侵检测的背景下的净化潜力仍未被探索。本文展示了扩散模型在清除网络入侵中的对抗样本方面的有效性。通过对扩散参数的全面分析，我们确定了最佳配置，最大程度地提高了对抗鲁棒性，对正常性能的影响最小。重要的是，这项研究揭示了扩散噪声和扩散步骤之间的关系，这是对该领域的新贡献。我们的实验在两个数据集和5种对抗攻击中进行。实现代码公开可用。

本论文旨在解决机器学习在入侵检测系统中的对抗性样本问题，提出了扩散模型来净化对抗性样本，以提高检测系统的鲁棒性。

本论文的关键思路是使用扩散模型来净化对抗性样本，通过优化扩散参数来最大化鲁棒性，最小化对正常性能的影响。

本文在两个数据集上对5种对抗攻击进行了实验，通过分析扩散参数的影响，提出了最佳配置，同时还揭示了扩散噪声和扩散步数之间的关系。此外，本文的代码是公开的，为进一步研究提供了基础。

相关研究包括对抗性样本净化的其他方法，如基于梯度的方法和基于重构的方法。