概率鲁棒性驱动的可解释通用对抗扰动攻击深度强化学习入侵检测系统
Probabilistic Robustness-driven Universal Adversarial Perturbations with Explainability against Deep Reinforcement Learning-based Intrusion Detection System
AI 导读
一种以概率鲁棒性（PR）为目标生成通用对抗扰动（UAP）的方法被提出，用于攻击深度强化学习（DRL）入侵检测系统（IDS）。该工作称首次将显式 PR 目标引入这类 UAP，并提出借助可解释 AI 在现实域约束下塑造扰动的 PX-UAP，同时给出理论分析。实验显示 PX-UAP 的攻击有效性持续优于现有 UAP 方法。