ML-NIDS에 대한 그래디언트 기반 적대적 공격에 대한 무방어 방어 전략: 적은 것이 더 많은 것인가?

요약

본 논문은 추가적인 방어 기법 없이 아키텍처 설계만으로 ML 기반 네트워크 침입 탐지 시스템(NIDS)의 강건성을 높이는 방법을 연구합니다. 실험 결과, 얕은 네트워크, 축소된 특징 집합, ReLU 활성화 함수를 조합했을 때 적대적 공격에 대한 취약성이 크게 감소함을 확인했습니다.

핵심 포인트

• 명시적 방어 없이 아키텍처 선택만으로 적대적 공격에 대한 방어 가능성 제시
• 얕은 네트워크, 축소된 특징 집합, ReLU 활성화 함수의 조합이 강건성 향상에 효과적
• 단순화된 모델이 적대적 훈련(adversarial training)을 거친 복잡한 모델보다 우수한 성능을 보임
• 모델의 복잡도를 줄임으로써 탐지 성능 유지 및 훈련 시간 단축 가능