Adversarial Debiasing of Machine Learning Models for Enhanced Network Security against DDoS Attacks
该论文针对分布式拒绝服务(DDoS)攻击检测面临的两大挑战展开研究：一是攻击手法不断演进，生成式 AI 被用于构造更难识别的攻击流量，传统基于规则的防火墙难以捕捉这些新模式；二是训练数据本身存在不平衡与偏斜，尤其是包级特征(如正向/反向包计
#GAN
共收录 11 条相关情报。
← 返回所有主题SAGEGAN: Style-Based Anomaly Detection with Gaussian Embeddings using Generative Adversarial Networks
该论文提出 SAGEGAN，一个仅用良性样本训练的恶意软件异常检测框架，目标是绕开传统基于规则与特征签名的检测流水线在恶意软件快速演化时失效的问题。其核心思路是：把可移植可执行文件（PE）转换为紧凑的三通道图像表示，再通过“风格条件对抗重建
A GAN-Based Framework for Robust DDoS Attack Detection
该论文关注分布式拒绝服务（DDoS）攻击检测中的鲁棒性问题。作者指出，在线服务可用性持续受到 DDoS 威胁，攻击者不断采用更复杂策略规避传统网络安全系统；同时，机器学习检测模型虽有效，但面对针对性对抗攻击时分类准确率会下降。为此，论文提出
Black-box Adversarial Example Attack towards FCG Based Android Malware Detection under Incomplete Feature Information.
本文研究基于函数调用图（FCG）的Android恶意软件检测方法在面对对抗样本时的脆弱性，并提出了一种名为BagAmmo的新型黑盒对抗攻击方法。现有FCG检测方法（如MaMaDroid、APIGraph、GCN）虽性能优异，但攻击者可通过向
Overcoming Data Scarcity and Confidentiality in Hardware Assurance via Synthetic Generation
本文针对硬件保障（Hardware Assurance）中扫描电子显微镜（SEM）图像分析面临的数据稀缺与机密性挑战，提出了一种隐私保护的合成数据生成流程。硬件验证依赖SEM对纳米级结构进行自动分析，但构建大规模高质量数据集受限于采集耗时以
Misleading Deep-Fake Detection with GAN Fingerprints.
生成对抗网络（GAN）在合成逼真图像方面取得了显著进展，甚至能够欺骗人类观察者。为应对深度伪造带来的安全风险，已有多种检测方法通过识别生成过程中残留的图像伪影来区分真实与合成内容。然而，已有反攻击研究揭示了这些检测方法的局限性，但多数反攻击
Assessing the Operational Impact of Poisoning Attacks over Augmented 3D Point Cloud Public Datasets for Connected and Autonomous Vehicles
该论文系统评估了针对增强3D点云公共数据集的投毒攻击的操作性影响。随着自动驾驶和联网汽车的发展，3D点云数据被广泛用于训练感知模型，但公共数据集可能遭受投毒攻击，导致分类错误或后门注入。传统观点认为数据增强技术（如旋转、缩放、噪声添加）可以
DeepRed: A Deep Learning-Powered Command and Control Framework for Multi-Stage Red Teaming Against ML-based Network Intrusion Detection Systems.
该论文提出了一种名为DeepRed的深度学习驱动的命令与控制（C2）框架，用于针对基于机器学习的网络入侵检测系统（ML-NIDS）进行多阶段红队测试。研究背景指出，尽管机器学习能够提升NIDS的检测能力，但对抗性机器学习研究揭示了ML模型的
SCRUB-FL: Sanitizing and Cleansing Representations via Unlearning of Backdoors
联邦学习（FL）允许多方协作训练模型而不共享原始数据，但分布式特性使其易受后门攻击——恶意客户端在本地训练数据中嵌入隐藏触发器，操纵模型预测。现有防御主要在聚合前或聚合中生效，无法完全消除收敛后全局模型中残留的后门行为。此外，服务器在训练后
Property Inference Attacks Against GANs.
该论文研究了生成对抗网络（GAN）的隐私安全风险，特别是针对训练数据集的属性推断攻击。以往的研究大多关注判别模型（如分类器）的安全与隐私问题，而对生成模型（如GAN）的关注较少。本文首次提出针对GAN的训练数据集属性推断攻击方法。攻击者的目
Comparative Evaluation of Deep Learning Models for Fake Image Detection
该研究针对基于GAN的图像篡改技术日益成熟带来的数字取证挑战，系统比较了四种预训练CNN架构（VGG16、ResNet50、EfficientNetB0和XceptionNet）在假图像检测任务中的性能。通过统一的预处理和训练流程，对真实与