[发明专利]一种基于GAN的低代价对抗性网络攻击样本生成方法

说明书

本发明公开了一种基于GAN的低代价对抗性网络攻击样本生成方法，包括：步骤1，对样本集中样本的属性和标签进行编码；步骤2，根据编码后的样本的属性计算信息增益；步骤3，对抗样本生成模型训练；步骤4，生成用于攻击的对抗样本。本发明基于GAN的基本思想，通过计算样本的属性、标签和信息增益训练模型，可以实现扰动特征的自动化选择，以最小代价生成高效的对抗性网络攻击样本。

技术领域

本发明涉及网络安全领域，尤其是一种基于GAN的低代价对抗性网络攻击样本生成方法。

背景技术

近年来，人工智能算法逐渐被应用于网络安全领域，并在恶意软件检测、入侵检测、漏洞挖掘等方面表现出良好的性能。但由于人工智能算法存在易受对抗性攻击的特性，使得恶意软件检测、入侵检测等系统容易受到恶意攻击者的对抗威胁。为此，研究者们纷纷提出了防御对抗性攻击的方法，其中，以基于生成对抗网络(generative adversarialnetwork，GAN)的方法居多，并且取得了不错的防御效果。但是，这些方法大多存在以下三个问题：

一、大多数方法聚焦于如何利用GAN提升检测算法的准确率，并不关注基于GAN的对抗攻击对网络攻击检测算法的攻击能力；

二、大多数方法源于针对图像的对抗样本生成方法，这些方法没有考虑到图像样本和网络数据样本之间的差异，即在网络数据中，不同属性对分类结果的重要程度不同；

三、这些方法没有考虑到生成对抗样本所付出的代价大小。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供一种基于GAN的低代价对抗性网络攻击样本生成方法。

本发明采用的技术方案如下：

一种基于GAN的低代价对抗性网络攻击样本生成方法，包括如下步骤：

步骤1，对样本集中样本的属性和标签进行编码；

步骤2，根据编码后的样本的属性计算信息增益；

步骤3，对抗样本生成模型训练：

步骤3-1，构建对抗样本生成模型；

步骤3-2，定义对抗样本生成模型的目标函数；

步骤3-3，采用步骤1的方法对网络数据样本集中样本的属性和标签进行编码；

步骤3-4，采用步骤2的方法根据编码后的网络数据样本集中样本的属性计算信息增益；

步骤3-5，将编码后的网络数据样本集中样本的属性和标签，以及信息增益输入步骤3-1构建的对抗样本生成模型，并利用目标函数进行训练；

步骤4，生成用于攻击的对抗样本：

步骤4-1，采用步骤1的方法对真实样本集中样本的属性和标签进行编码；

步骤4-2，采用步骤2的方法根据编码后的真实样本集中样本的属性计算信息增益；

步骤4-3，将编码后的真实样本集中样本的属性和标签，以及信息增益输入经步骤3训练好的对抗样本生成模型，得到编码的对抗样本属性矩阵；

步骤4-4，对编码的对抗样本属性矩阵进行解码得到对抗样本。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明基于GAN的基本思想，通过计算样本的属性、标签和信息增益训练模型，可以实现扰动特征的自动化选择，以最小代价生成高效的对抗性网络攻击样本。

附图说明