Loki: Adversariell maskininlärning för nätverkssäkerhet

Forskningsprojekt, 2025 –

AI-drivna nätverkssäkerhetssystem är bara så starka som deras motståndskraft mot adversariell manipulation. En angripare som förstår att en klassificerare eller anomalidetektor skyddar nätverket kan konstruera indata som är specifikt utformade för att undvika detektering — och därmed förvandla försvarsmekanismens intelligens till en svaghet. Det här projektet undersöker adversariell maskininlärning inom två kritiska och underutforskade domäner inom nätverkssäkerhet: detektering av BGP-kapning och krypterad trafikklassificering. Det övergripande målet är att förstå attackytan hos ML-baserade detektorer och utveckla principiella försvarsmekanismer som förblir robusta mot adaptiva, intelligenta motståndare.

(Denna text är översatt från engelska av AI)