摘  要

 

目前机器学习已经成为计算机领域应用最广泛的技术之一，在图像识别、数据挖掘、网络安全等方面得到广泛应用。然而，随着机器学习的不断发展普及，一些机器学习算法和训练数据的安全性与隐私性问题也同时暴露出来，引起人们对机器学习安全性问题的担忧。在此种背景下，本文总结了机器学习常见的安全问题以及应对方法，并实现了一种针对基于支持向量机（Support Vector Machine，SVM）入侵检测系统（Intrusion Detection System，IDS）的攻击方法——毒性攻击。毒性攻击是一种诱发型攻击[7]，通过篡改训练数据从而破坏模型完整性和可用性[5]。攻击者通过注入一些带有错误标签和攻击性质的恶意数据样本，因此误导SVM的机器学习过程，目的是为了降低入侵检测系统的识别率。我们以Kdd-Cup 99数据集为实验数据，通过对实验结果的分析发现本方法可以有效的降低入侵检测系统的识别率。本文希望通过研究机器学习算法中的漏洞可以为今后研究相应的防御方法提供帮助。

 

关键词：机器学习，毒性攻击，支持向量机，防御机制

目  录

 

第一章 绪论

1.1 引言

1.2 机器学习安全性问题研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

第二章 机器学习

2.1 机器学习发展历史

2.2 机器学习应用领域

2.3 机器学习的基本分类

2.3.1监督学习

2.3.2 无监督学习

2.3.3 强化学习

第三章 机器学习中常见的算法漏洞及产生的危害

3.1 机器学习敌手模型

3.2 机器学习安全性问题分类

3.2.1 针对训练阶段的安全问题

3.2.2 针对测试阶段的安全问题

3.3 机器学习算法漏洞产生的危害

第四章 针对SVM的毒性攻击

4.1 数据集准备

4.2 建立攻击模型与生成攻击样本

4.2.1 SVM原理

4.2.2 建立攻击模型和策略

4.2.3 生成攻击样本

4.3  实验结果与分析

第五章 机器学习安全防御

第六章 结束语

参考文献

致  谢