# Adversarial Machine Learning in Network Intrusion Detection Systems

**Authors:** Elie Alhajjar, Paul Maxwell, Nathaniel D. Bastian  
**arXiv:** [2004.11898](https://arxiv.org/abs/2004.11898)  
**Date:** 2020-04-23  
**Summary page:** https://www.summarizepaper.com/fr/paper/2004.11898v1/

## Key points

- Les exemples adverses sont créés pour tromper les systèmes d'apprentissage automatique.
- Ils ont été utilisés avec succès dans la reconnaissance d'images, la reconnaissance vocale et la détection de spam.
- Cet article se concentre sur l'utilisation de techniques telles que l'optimisation par essaim particulaire, l'algorithme génétique et les réseaux antagonistes génératifs pour générer des exemples adverses.
- Deux ensembles de données publics, NSL-KDD et UNSW-NB15, sont utilisés pour évaluer les performances des algorithmes.
- Les résultats montrent que ces techniques entraînent des taux élevés de mauvaise classification avec différents modèles d'apprentissage automatique et un classificateur par vote.
- Le travail met en évidence la vulnérabilité des NIDS basés sur l'apprentissage automatique face aux perturbations adversaires.

## Summary

Les exemples adverses sont des entrées intentionnellement créées par un attaquant pour tromper un système d'apprentissage automatique et le pousser à produire une sortie incorrecte. Ces exemples ont connu beaucoup de succès dans plusieurs domaines tels que la reconnaissance d'images, la reconnaissance vocale et la détection de spam. Dans cet article, nous étudions la nature du problème adversaire dans les systèmes de détection d'intrusion réseau (NIDS). Nous nous concentrons sur la perspective de l'attaque, qui comprend des techniques permettant de générer des exemples adverses capables d'éviter divers modèles d'apprentissage automatique. Plus précisément, nous explorons l'utilisation de l'optimisation par essaim particulaire et de l'algorithme génétique en tant qu'outils pour la génération d’exemples adverses ainsi que les réseaux antagonistes génératifs basés sur l’apprentissage profond. Pour évaluer les performances de ces algorithmes pour contourner un NIDS, nous les appliquons à deux ensembles de données publiques disponibles : NSL-KDD et UNSW-NB15 et les comparons à une méthode perturbation standard : simulation Monte Carlo. Les résultats montrent que nos techniques pour générer des exemples adversaires entraînent des taux élevés de mauvaise classification avec onze modèles différents d’apprentissage automatique ainsi qu’un classificateur par vote. Notre travail met en évidence la vulnérabilité des NIDS basés sur l’apprentissage automatique face aux perturbations adversaires.