РИЗИК-ОРІЄНТОВАНЕ ВИЯВЛЕННЯ КІБЕРАТАК У БЕЗПРОВОДОВИХ МЕРЕЖАХ З УРАХУВАННЯМ СТІЙКОСТІ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ

Ольга Партика

doi:10.28925/2663-4023.2026.34.1333

Автор(и)

Ольга Партика Національний університет «Львівська Політехніка» https://orcid.org/0000-0002-3086-3160

DOI:

https://doi.org/10.28925/2663-4023.2026.34.1333

Ключові слова:

кібербезпека, безпроводові мережі, система виявлення вторгнень, машинне навчання, змагальна атака, SHAP, селективна класифікація, оцінювання ризику

Анотація

Детектори вторгнень для безпроводових мереж зазвичай оцінюють на незмінених тестових даних. Така перевірка не враховує ситуації, коли противник цілеспрямовано змінює доступні ознаки мережевого запису або використовує пояснення моделі, щоб знайти чутливий напрям впливу. За цих умов висока точність на тестовій вибірці ще не означає, що детектор є стійким. У статті розглянуто ризик-орієнтовану схему, до якої входять базовий класифікатор із градієнтним підсиленням, SHAP-пояснення, логістичний метакласифікатор ризику та передавання частини подій аналітику. Ризик оцінюється за трьома сигналами: імовірністю атаки, стабільністю локального пояснення і відстанню Махаланобіса до навчального розподілу. Завдяки такому поєднанню враховується не тільки прогноз, а й те, наскільки звичною для моделі є логіка рішення та сам запис. На ручну перевірку передавали фіксовані 5 % подій, відібраних за нестабільністю пояснення, невпевненістю прогнозу або предиктивною ентропією. Експерименти проведено на синтетичному наборі та NSL-KDD; перевірено однокрокове безградієнтне SHAP-sign збурення і перенесену PGD-атаку. Результати залежать і від набору даних, і від способу впливу. На синтетичних даних кращими були правила, побудовані за невпевненістю та ентропією. На чистій вибірці NSL-KDD і після SHAP-sign впливу кориснішим виявився відбір за стабільністю SHAP. Проте за перенесеної PGD-атаки селективна перевірка не дала виграшу: macro-F1 для C3 становила 0,699, для C4 — 0,696, а для C4-conf/ent — 0,694. Отже, правило ручної перевірки, вибране лише за чистою валідаційною вибіркою, може не спрацювати після зміни розподілу або типу атаки. Селективний режим допомагає керувати ризиком на автоматично опрацьованій частині потоку, але сам по собі не забезпечує стійкості до змагальних впливів. Для практичного використання потрібна перевірка на сучасному трафіку Wi-Fi, IoT, 5G і 6G, зокрема в умовах, коли противнику відома логіка метакласифікатора.

Завантаження

Дані завантаження ще не доступні.

Посилання

Adesina, D., Hsieh, C.-C., Sagduyu, Y. E., & Qian, L. (2023). Adversarial machine learning in wireless communications using RF data: A review. IEEE Communications Surveys & Tutorials, 25(1), 77–100. https://doi.org/10.1109/COMST.2022.3205184

He, K., Kim, D. D., & Asghar, M. R. (2023). Adversarial machine learning for network intrusion detection systems: A comprehensive survey. IEEE Communications Surveys & Tutorials, 25(1), 538–566. https://doi.org/10.1109/COMST.2022.3233793

Senevirathna, T., Siniarski, B., Liyanage, M., & Wang, S. (2024). Deceiving post-hoc explainable AI (XAI) methods in network intrusion detection. In 2024 IEEE 21st Consumer Communications & Networking Conference (CCNC) (pp. 107-112). IEEE. https://doi.org/10.1109/CCNC51664.2024.10454633

Chow, C. K. (1970). On optimum recognition error and reject tradeoff. IEEE Transactions on Information Theory, 16(1), 41-46. https://doi.org/10.1109/TIT.1970.1054406

Geifman, Y., & El-Yaniv, R. (2017). Selective classification for deep neural networks. In Advances in Neural Information Processing Systems (Vol. 30, pp. 4878-4887). NeurIPS proceedings

Mohale, V. Z., & Obagbuwa, I. C. (2025). Evaluating machine learning-based intrusion detection systems with explainable AI: Enhancing transparency and interpretability. Frontiers in Computer Science, 7, Article 1520741. https://doi.org/10.3389/fcomp.2025.1520741

Arreche, O., Guntur, T. R., Roberts, J. W., & Abdallah, M. (2024). E-XAI: Evaluating black-box explainable AI frameworks for network intrusion detection. IEEE Access, 12, 23954-23988. https://doi.org/10.1109/ACCESS.2024.3365140

Birahim, S. A., Paul, A., Rahman, F., Islam, Y., Roy, T., Hasan, M. A., Haque, F., & Chowdhury, M. E. H. (2025). Intrusion detection for wireless sensor network using particle swarm optimization based explainable ensemble machine learning approach. IEEE Access, 13, 13711-13730. https://doi.org/10.1109/ACCESS.2025.3528341

Papernot, N., McDaniel, P., & Goodfellow, I. (2016). Transferability in machine learning: From phenomena to black-box attacks using adversarial samples [Preprint]. arXiv. https://doi.org/10.48550/arXiv.1605.07277

Madry, A., Makelov, A., Schmidt, L., Tsipras, D., & Vladu, A. (2018). Towards deep learning models resistant to adversarial attacks. In International Conference on Learning Representations (ICLR).

Cohen, J. M., Rosenfeld, E., & Kolter, J. Z. (2019). Certified adversarial robustness via randomized smoothing. In Proceedings of the 36th International Conference on Machine Learning (Vol. 97, pp. 1310-1320). PMLR. PMLR proceedings

Tavallaee, M., Bagheri, E., Lu, W., & Ghorbani, A. A. (2009). A detailed analysis of the KDD CUP 99 data set. In 2009 IEEE Symposium on Computational Intelligence for Security and Defense Applications (pp. 1-6). IEEE. https://doi.org/10.1109/CISDA.2009.5356528

Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In Advances in Neural Information Processing Systems (Vol. 30, pp. 4765-4774). NeurIPS proceedings

Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why should I trust you?”: Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135-1144). Association for Computing Machinery. https://doi.org/10.1145/2939672.2939778

Athalye, A., Carlini, N., & Wagner, D. (2018). Obfuscated gradients give a false sense of security: Circumventing defenses to adversarial examples. In Proceedings of the 35th International Conference on Machine Learning (Vol. 80, pp. 274-283). PMLR. PMLR proceedings

Biggio, B., & Roli, F. (2018). Wild patterns: Ten years after the rise of adversarial machine learning. Pattern Recognition, 84, 317-331. https://doi.org/10.1016/j.patcog.2018.07.023

Kim, B., Sagduyu, Y. E., Davaslioglu, K., Erpek, T., & Ulukus, S. (2022). Channel-aware adversarial attacks against deep learning-based wireless signal classifiers. IEEE Transactions on Wireless Communications, 21(6), 3868-3880. https://doi.org/10.1109/TWC.2021.3124855

Zhang, W., Krunz, M., & Ditzler, G. (2024). Stealthy adversarial attacks on machine learning-based classifiers of wireless signals. IEEE Transactions on Machine Learning in Communications and Networking, 2, 261-279. https://doi.org/10.1109/TMLCN.2024.3366161

Kolias, C., Kambourakis, G., Stavrou, A., & Gritzalis, S. (2016). Intrusion detection in 802.11 networks: Empirical evaluation of threats and a public dataset. IEEE Communications Surveys & Tutorials, 18(1), 184-208. https://doi.org/10.1109/COMST.2015.2402161

Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1