DOI: https://doi.org/10.1007/s13042-025-02873-w
تاريخ النشر: 2026-02-01
المؤلف: Islam Debicha وآخرون
الموضوع الرئيسي: الصلابة ضد الهجمات في تعلم الآلة
نظرة عامة
إن دمج خوارزميات التعلم الآلي (ML) في تطبيقات إنترنت الأشياء (IoT) قد عزز القدرات ولكنه كشف أيضًا عن الثغرات، خاصة في أنظمة كشف التسلل المعتمدة على إنترنت الأشياء (IDS). تبحث هذه الدراسة في الآثار العملية لهجمات التهرب على أنظمة كشف التسلل المعتمدة على الشبكة باستخدام نهج جديد لهجوم عدائي من نوع الصندوق الأسود. من خلال ربط الثغرات النظرية بالسيناريوهات الواقعية، تهدف الدراسة إلى تحسين الفهم والدفاعات ضد التهديدات المتطورة في نظم إنترنت الأشياء. تكشف النتائج أن هجمات التهرب يمكن أن تضر بنجاح أنظمة كشف التسلل، مما يبرز قابليتها للتأثر بالتقنيات المتقدمة. استجابةً لذلك، يتم اقتراح آلية دفاعية تكشف بفعالية عن جزء كبير من حركة المرور العدائية، مما يظهر أداءً متفوقًا مقارنة بالدفاعات الحالية المتطورة.
تؤكد الخاتمة على التحديات الأمنية التي تطرحها أنظمة كشف التسلل المعتمدة على التعلم الآلي (NIDS)، خاصةً ضعفها أمام هجمات التهرب. تقدم الدراسة إطار عمل ذو مكونين: أولاً، خوارزمية عدائية واقعية تولد حركة مرور شبكية عدائية صالحة من خلال اضطرابات طفيفة، مما يسمح لها بتجنب الكشف؛ ثانياً، آلية دفاع تفاعلية تعزز مرونة NIDS دون تغيير أدائها الأولي. تستخدم هذه الدفاع طريقة تجميع تُعرف باسم bagging، مدعومة بنهج تخفيض سياقي لتحسين الأداء. تؤكد النتائج فعالية الخوارزمية العدائية في التهرب من الكشف بينما تعرض قدرة الدفاع المقترح على تحديد غالبية حركة المرور العدائية، مما يشير إلى آفاق واعدة للبحث المستقبلي في مجالات أخرى مقيدة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي لتقنيات إنترنت الأشياء (IoT) عبر مختلف القطاعات، مع الإشارة أيضًا إلى الثغرات الكامنة في شبكات إنترنت الأشياء بسبب طبيعتها اللامركزية والموارد المحدودة. أنظمة كشف التسلل الشبكية (NIDS) ضرورية لمراقبة وحماية هذه الشبكات، وقد حسّن دمج خوارزميات التعلم الآلي (ML) من قدرتها على اكتشاف التهديدات المعروفة والجديدة. ومع ذلك، تشير النتائج الأخيرة إلى أن أنظمة كشف التسلل المعتمدة على التعلم الآلي عرضة للهجمات العدائية، التي يمكن أن تستغل الاضطرابات الطفيفة لإحداث تصنيفات خاطئة. هذه القضية، على الرغم من دراستها بشكل جيد في مجالات مثل رؤية الكمبيوتر ومعالجة اللغة الطبيعية، لا تزال غير معالجة بشكل كافٍ في سياق الأمن السيبراني، خاصة لشبكات إنترنت الأشياء.
يقترح المؤلفون هجومًا عدائيًا جديدًا من نوع الصندوق الأسود، يُطلق عليه اسم “المسافة إلى مركز الهدف” (D2TC)، والذي يتلاعب بحركة المرور الشبكية الخام مع الحفاظ على سلامتها الدلالية. هذه الدراسة مهمة لأنها الأولى التي تأخذ في الاعتبار القيود الخاصة بالنطاق ومساحة التلاعب في تصميم الهجمات العدائية ضد NIDS في بيئات إنترنت الأشياء. توضح الورقة ثلاث مساهمات رئيسية: تحليل القيود اللازمة لتوليد اضطرابات عدائية فعالة، تقديم هجوم D2TC الذي يتجنب بنجاح أنظمة كشف التسلل المعتمدة على التعلم الآلي، واقتراح آلية دفاع قوية تستخدم خوارزميات التعلم الآلي لاكتشاف وتصنيف حركة المرور العدائية. ستتناول الأقسام التالية من الورقة الأعمال ذات الصلة، ومنهجية هجوم D2TC، واستراتيجية الدفاع، والنتائج التجريبية.
الطرق
في هذا القسم، يقارن المؤلفون طريقتهم المقترحة D2TC لتوليد الهجمات العدائية مع التقنيات الموجودة، وخاصة الهجمات على المنحنى والهجمات التوليدية. تستفيد الهجمات على المنحنى من الهيكل الكامن للبيانات الشرعية من خلال إنشاء أمثلة عدائية تظل قريبة من توزيع البيانات، مما يحافظ على تشابه دلالي عالٍ مع الحالات الحقيقية. ومع ذلك، تتطلب هذه الطرق فهمًا عميقًا لمنحنى البيانات، مما يطرح تحديات في السيناريوهات ذات الصندوق الأسود حيث تكون معرفة المهاجم محدودة.
تهدف الهجمات التوليدية، التي تستخدم غالبًا الشبكات العدائية التوليدية (GANs)، إلى نمذجة توزيع حركة المرور الشبكية العادية لإنشاء عينات عدائية تشبه البيانات الحقيقية. على الرغم من فعاليتها، تتطلب هذه الأساليب موارد حسابية كبيرة وبيانات تدريب كبيرة لالتقاط تعقيدات حركة المرور بدقة. بالمقابل، تبسط طريقة D2TC هذه العملية من خلال التلاعب بميزات الشبكة الرئيسية ضمن قيود دلالية ونحوية محددة، مما يضمن صلاحية وقابلية نقل العينات العدائية إلى أنظمة كشف التسلل ذات الصندوق الأسود (IDS). وهذا يجعل D2TC خيارًا قابلاً للتطبيق للمهاجمين الذين يعملون تحت قيود المعرفة والموارد المحدودة.
النتائج
تشير النتائج المقدمة في الجدول 9 إلى أن أداء نظام كشف التسلل الشبكي (NIDS) يتدهور بشكل كبير إلى حوالي 50% عند تعرضه لعينات عدائية دون أي آليات دفاع. تؤكد هذه النتيجة فعالية الهجمات العدائية في تجاوز أنظمة الكشف. بالمقابل، تُظهر الجداول 10 و11 تحسينًا ملحوظًا في أداء NIDS، غالبًا ما يتجاوز زيادة بنسبة 20%، عند تنفيذ استراتيجية دفاعية قائمة على التجميع. يبرز هذا التحسين فعالية النهج المقترح في تصفية حركة المرور العدائية قبل تحليلها بواسطة NIDS، مما يعزز قدرات الكشف العامة.
المناقشة
تتناول قسم المناقشة في الورقة إنترنت الأشياء (IoT) والثغرات المرتبطة بها، خاصة فيما يتعلق بأنظمة كشف التسلل (IDS). يسهل إطار عمل إنترنت الأشياء مجموعة متنوعة من التطبيقات عبر مختلف القطاعات، مما يعزز الكفاءة واتخاذ القرار من خلال الأجهزة المتصلة. ومع ذلك، فإن هذه الأجهزة عرضة للتهديدات السيبرانية بسبب تدابير الأمان غير الكافية، مما يستلزم وجود IDS قوية مصممة لبيئات إنترنت الأشياء. تبرز الورقة نوعين رئيسيين من IDS: المعتمدة على المضيف (HIDS) والمعتمدة على الشبكة (NIDS)، مع التركيز على فعالية IDS المعتمدة على الشذوذ التي تستفيد من تقنيات التعلم الآلي (ML) لاكتشاف التهديدات غير المعروفة.
يتناول القسم أيضًا الهجمات العدائية على نماذج التعلم الآلي، مصنفة إياها بناءً على الأهداف (غير المستهدفة مقابل المستهدفة)، والقدرات (صندوق أبيض، صندوق أسود، صندوق رمادي)، والمراحل (التسميم مقابل التهرب). يؤكد على المخاوف العملية من هجمات التهرب، التي يمكن أن تتلاعب بحركة المرور الشبكية لتجاوز أنظمة الكشف. يستعرض المؤلفون التقدمات الأخيرة في IDS المعتمدة على التعلم الآلي لإنترنت الأشياء، مشيرين إلى أنه على الرغم من تحقيق تقدم كبير، لا تزال قابلية هذه الأنظمة للتأثر بالهجمات العدائية تمثل تحديًا حاسمًا. تقترح الورقة نهجًا جديدًا باستخدام طريقة المسافة إلى مركز الهدف (D2TC) لتوليد أمثلة عدائية تتجنب الكشف مع الحفاظ على السلامة الدلالية لحركة المرور الشبكية. بالإضافة إلى ذلك، تقدم استراتيجية دفاعية تجمع بين الكشف العدائي وطرق التجميع لتعزيز مرونة NIDS ضد مثل هذه الهجمات، مما يحسن الأمن الشبكي العام.
القيود
تسلط القيود التي تم مراجعتها الضوء على عدة قيود في سياق أنظمة كشف التسلل الخفيفة (IDS) لبيئات إنترنت الأشياء (IoT). بشكل ملحوظ، يركز إسلام وآخرون [25] على اختيار الميزات ولكنهم مقيدون ببروتوكولات إنترنت الأشياء المحددة، بينما يقترح سارهان وآخرون [27] إطار عمل جديد يتطلب مجموعات بيانات موسومة كبيرة، والتي قد لا تكون متاحة دائمًا. بالإضافة إلى ذلك، يتناول الطلحي وآخرون [28] الكشف عن الشذوذ في الوقت الحقيقي ولكنهم يعترفون بالضعف أمام الهجمات العدائية، ويقدم السلمان وآخرون [31] نظام كشف تسلل قوي باستخدام التدريب العدائي الذي يتطلب استهلاك موارد عالية. يقدم يوان وآخرون [32] دفاعات عدائية بسيطة ولكنهم يقدمون تقييمًا محدودًا على مجموعات بيانات إنترنت الأشياء، ويركز بارك وآخرون [33] على القوة العدائية للبيانات الجدولية، والتي ليست محددة لتطبيقات إنترنت الأشياء.
تهدف الدراسة إلى معالجة هذه القيود من خلال التركيز على أنظمة كشف التسلل المعتمدة على التعلم الآلي وتقييم قوتها ضد التهديدات العدائية، مع تطوير آليات دفاع مصممة خصيصًا. يفترض نموذج التهديد وجود مهاجم خارجي يعمل في بيئة صندوق أسود، مع معرفة محدودة بشبكة إنترنت الأشياء المستهدفة وهندسة IDS. يقوم المهاجم بإنشاء مجموعة بيانات بديلة تحاكي حركة مرور الشبكة المستهدفة، مما يسمح بإنشاء نموذج عدائي يولد حركة مرور خبيثة بفعالية من خلال طريقة D2TC. يستفيد هذا النهج من خاصية قابلية النقل للأمثلة العدائية، مما يضمن أن حركة المرور المصممة يمكن أن تتجنب الكشف بنجاح من قبل IDS المدافع. تم تصميم إعداد الشبكة في الدراسة ليعكس ظروف إنترنت الأشياء الواقعية، مما يوفر سيناريو تهديد شامل وتمثيلي لتقييم الهجمات العدائية.
DOI: https://doi.org/10.1007/s13042-025-02873-w
Publication Date: 2026-02-01
Author(s): Islam Debicha et al.
Primary Topic: Adversarial Robustness in Machine Learning
Overview
The integration of machine learning (ML) algorithms into Internet of Things (IoT) applications has enhanced capabilities but also exposed vulnerabilities, particularly in IoT-based intrusion detection systems (IDS). This research investigates the practical implications of evasion attacks on network-based IDSs using a novel black-box adversarial attack approach. By bridging theoretical vulnerabilities with real-world scenarios, the study aims to improve understanding and defenses against sophisticated threats in IoT ecosystems. The findings reveal that evasion attacks can successfully compromise IDSs, highlighting their susceptibility to advanced techniques. In response, a defense mechanism is proposed that effectively detects a significant portion of adversarial traffic, demonstrating superior performance compared to existing state-of-the-art defenses.
The conclusion emphasizes the security challenges posed by ML-based network intrusion detection systems (NIDS), particularly their vulnerability to evasion attacks. The research introduces a dual-component framework: first, a realistic adversarial algorithm that generates valid adversarial network traffic through minimal perturbations, allowing it to evade detection; second, a reactive defense mechanism that enhances the resilience of NIDS without altering their initial performance. This defense employs an ensemble method known as bagging, supplemented by a contextual discounting approach to optimize performance. The results confirm the effectiveness of the adversarial algorithm in evading detection while showcasing the proposed defense’s capability to identify the majority of adversarial traffic, suggesting promising avenues for future research in other constrained domains.
Introduction
The introduction of this research paper highlights the transformative impact of Internet of Things (IoT) technologies across various sectors, while also noting the inherent vulnerabilities of IoT networks due to their decentralized nature and limited resources. Network Intrusion Detection Systems (NIDSs) are crucial for monitoring and protecting these networks, and the integration of machine learning (ML) algorithms has improved their capability to detect both established and novel threats. However, recent findings indicate that ML-based IDSs are vulnerable to adversarial attacks, which can exploit minor perturbations to induce misclassifications. This issue, while well-studied in fields like computer vision and natural language processing, remains inadequately addressed in the context of cybersecurity, particularly for IoT networks.
The authors propose a novel black-box adversarial attack, termed Distance to Target Center (D2TC), which manipulates raw network traffic while maintaining its semantic integrity. This study is significant as it is the first to consider domain-specific constraints and manipulation space in the design of adversarial attacks against NIDSs in IoT environments. The paper outlines three primary contributions: an analysis of the constraints necessary for generating effective adversarial perturbations, the introduction of the D2TC attack that successfully evades ML-based intrusion detection systems, and the proposal of a robust defense mechanism that utilizes ML algorithms to detect and classify adversarial traffic. The subsequent sections of the paper will elaborate on related work, the D2TC attack methodology, the defense strategy, and the experimental results.
Methods
In this section, the authors compare their proposed D2TC method for generating adversarial attacks with existing techniques, specifically on-manifold and generative attacks. On-manifold attacks leverage the inherent structure of legitimate data by creating adversarial examples that remain close to the data distribution, thus maintaining high semantic similarity with genuine instances. However, these methods require an in-depth understanding of the data manifold, which poses challenges in black-box scenarios where the attacker’s knowledge is restricted.
Generative attacks, often utilizing generative adversarial networks (GANs), aim to model the distribution of normal network traffic to create adversarial samples that closely resemble real data. While effective, these approaches are computationally intensive and require substantial training data to accurately capture the complexities of network traffic. In contrast, the D2TC method simplifies this process by manipulating key network features within specific semantic and syntactic constraints, ensuring the validity and transferability of adversarial samples to black-box intrusion detection systems (IDS). This makes D2TC a viable option for attackers operating under limited knowledge and resource constraints.
Results
The results presented in Table 9 indicate that the performance of the Network Intrusion Detection System (NIDS) significantly deteriorates to approximately 50% when subjected to adversarial samples without any defense mechanisms. This finding emphasizes the effectiveness of adversarial attacks in circumventing detection systems. Conversely, Tables 10 and 11 demonstrate a marked enhancement in NIDS performance, often surpassing a 20% increase, when an ensemble-based defense strategy is implemented. This improvement underscores the efficacy of the proposed approach in filtering out adversarial traffic prior to its analysis by the NIDS, thereby bolstering overall detection capabilities.
Discussion
The discussion section of the paper elaborates on the Internet of Things (IoT) and its associated vulnerabilities, particularly concerning intrusion detection systems (IDS). The IoT framework facilitates a myriad of applications across various sectors, enhancing efficiency and decision-making through interconnected devices. However, these devices are susceptible to cyber threats due to inadequate security measures, necessitating robust IDS tailored for IoT environments. The paper highlights two primary types of IDS: Host-based (HIDS) and Network-based (NIDS), with a focus on the efficacy of anomaly-based IDS that leverage machine learning (ML) techniques to detect unknown threats.
The section further delves into adversarial attacks on ML models, categorizing them based on goals (untargeted vs. targeted), capabilities (white-box, black-box, grey-box), and phases (poisoning vs. evasion). It emphasizes the practical concerns of evasion attacks, which can manipulate network traffic to bypass detection systems. The authors review recent advancements in ML-based IDS for IoT, noting that while significant progress has been made, the susceptibility of these systems to adversarial attacks remains a critical challenge. The paper proposes a novel approach using the Distance to Target Center (D2TC) method for generating adversarial examples that evade detection while maintaining the semantic integrity of network traffic. Additionally, it introduces a defense strategy that combines adversarial detection with ensemble methods to enhance the resilience of NIDS against such attacks, thereby improving overall network security.
Limitations
The limitations of the reviewed studies highlight several constraints in the context of lightweight Intrusion Detection Systems (IDS) for Internet of Things (IoT) environments. Notably, Islam et al. [25] focus on feature selection but are restricted to specific IoT protocols, while Sarhan et al. [27] propose a novel framework that necessitates large labeled datasets, which may not always be available. Additionally, Altulaihan et al. [28] address real-time anomaly detection but acknowledge vulnerability to adversarial attacks, and Alslman et al. [31] present a robust IDS using adversarial training that demands high resource consumption. Yuan et al. [32] offer simple adversarial defenses but provide limited evaluation on IoT datasets, and Barik et al. [33] focus on adversarial robustness for tabular data, which is not specific to IoT applications.
The research aims to address these limitations by concentrating on machine learning-based IDS and assessing their robustness against adversarial threats, while developing tailored defense mechanisms. The threat model assumes an outsider attacker operating in a black-box setting, with limited knowledge of the target IoT network and the IDS architecture. The attacker constructs a substitute dataset that mimics the target network traffic, allowing for the creation of an adversarial model that effectively generates malicious traffic through the D2TC method. This approach leverages the transferability property of adversarial examples, ensuring that the crafted traffic can successfully evade detection by the defender’s IDS. The study’s network setup is designed to reflect realistic IoT conditions, thereby providing a comprehensive and representative threat scenario for evaluating adversarial attacks.