基于对抗训练的鲁棒物联网设备异常行为检测系统_网络安全.docxVIP

PAGE2

基于对抗训练的鲁棒物联网设备异常行为检测系统

第一章绪论

1.1设计背景与问题分析

1.1.1领域发展现状

随着5G通信、边缘计算及智能感知技术的飞速发展，物联网已深度融入智慧城市、工业控制及智能家居等关键领域，设备连接数呈指数级增长。然而，物联网设备普遍存在计算资源受限、固件更新滞后及安全防护薄弱等问题，使其成为网络攻击的重点目标。近年来，针对物联网的攻击手段日益复杂，从简单的拒绝服务攻击演变为高级持续性威胁（APT），传统基于规则匹配的入侵检测系统已难以应对未知威胁。

深度学习技术凭借其强大的特征提取能力，在物联网异常行为检测领域取得了显著成果，能够有效识别流量模式中的细微偏差。然而，研究表明深度学习模型极易受到对抗样本攻击的影响，攻击者通过在正常流量数据中添加人眼不可见的微小扰动，即可诱导模型做出错误判断。此外，物联网环境的复杂性与信道噪声也会导致模型性能大幅下降，现有的检测系统在鲁棒性与泛化能力方面仍存在明显短板。

1.1.2设计问题提出

在实际部署场景中，物联网异常行为检测系统面临着严峻的安全挑战，核心问题在于模型缺乏对恶意扰动的抵抗力。攻击者可利用快速梯度符号法（FGSM）或投影梯度下降法（PGD）生成对抗样本，这些样本在视觉或统计特征上与正常流量几乎无异，却能绕过深度学习检测器的监控。例如，恶意软件通过修改数据包头部字段的最低有效位，即可将恶