A Landscape of Adversarial Threats to Machine Learning-Based Intrusion Detection

L’intelligence artificielle (AI) devient de plus en plus omniprésente dans divers domaines, y compris des secteurs critiques tels que la détection d’intrusions. Les techniques d’apprentissage automatique (ML) sont à l’avant-garde de cette intégration, améliorant la capacité des systèmes de détection d’intrusions (IDS) à détecter et à répondre aux menaces. Ces dernières années ont vu un grand intérêt pour l’adoption de méthodes avancées d’apprentissage profond (DL), offrant une précision et une adaptabilité sans précédent. Cependant, bien que ces méthodes sophistiquées améliorent les performances, elles introduisent également des problèmes de sécurité. Cette thèse explore la sécurité des récentes techniques de ML et de DL dans le contexte de la détection d’intrusions réseau, en particulier leur vulnérabilité aux attaques adverses, ainsi que les contre-mesures qui renforcent leur robustesse. Nos résultats fournissent aux chercheurs et aux praticiens des lignes directrices pour les évaluations de sécurité et des perspectives sur les stratégies de défense. L’apprentissage fédéré (FL) permet à plusieurs entités d’entraînement collaborativement un modèle de ML sans partager de données d’entraînement confidentielles, mais des participants malveillants pourraient perturber l’entraînement du modèle. La première contribution aborde la menace des attaques par empoisonnement sur les modèles de détection d’intrusions basés sur le FL. Nous évaluons l’impact de quatre paramètres d’attaque sur l’efficacité, la furtivité, la cohérence et le moment des attaques par porte dérobée. Nos résultats montrent la détermination de chaque paramètre pour le succès de l’attaque, à condition qu’ils soient ajustés. L’apprentissage par renforcement profond (DRL) est de plus en plus utilisé dans la détection d’intrusions pour son adaptabilité dans des environnements complexes tels que les réseaux informatiques, mais sa dépendance au DL le rend vulnérable aux exemples adverses. La deuxième contribution évalue l’influence des hyperparamètres cruciaux du DRL sur les performances et la robustesse des agents de détection d’intrusions. Incluant des attaques en boîte blanche et en boîte noire à travers la propriété de transférabilité.