テンソルデータ拡充を用いた組織内ネットワーク攻撃判定方式の回避攻撃に対するロバスト性の向上

摘要

サイバー攻撃の増加に伴い， AI を用いた攻撃検知の研究が活発に行われている． 2019 年に及川らはテンソルデータ拡充を用いたニューラルネットワークによる組織内ネットワーク攻撃判定方式を提案し，判定精度95% を攻撃の見逃し無しで達成した．一方で， AI システムの潜在的な特性を突いた攻撃が報告されており，モデルを騙す攻撃(回避攻撃) はAI を用いたセキュリティアプリケーションに対して大きな脅威となる．本研究の目的は及川らの方式に対する新たな回避攻撃の発見と，及川らの方式の精度を保ちながら回避攻撃に対する攻撃検知精度を高め，モデルのロバスト性を向上することである．本稿では適切にテンソルデータを拡充することで，目的を達成できることを報告する．