ML辅助网络自动化系统的对抗样本攻击方法

针对网络自动化系统中用于异常检测的基于机器学习（Machine Learning,ML）的分类器，提出了一种黑盒对抗样本攻击方法来误导分类器输出错误的分类结果。首先，设计了一种对抗样本生成算法来人工合成替代分类器的训练数据集，算法不仅基于一组仅包含“正常”类型的合法遥测数据生成涵盖所有异常类型的合成数据，而且标记数据时还最小化对目标分类器的查询次数。然后，利用对抗样本去攻击了系统中基于ML的分类器，分析了对抗样本给分类器性能带来的影响，并将结果推广到不同结构的ML模型。最后，利用从真实的IP-over-EON多层网络测试平台采集的遥测数据进行了仿真实验，实验结果验证了该方法的有效性。