Hybrid‑Framework verbessert Robustheit von Deep‑Learning‑Modellen gegen adversariale Angriffe

USA: Hybrid‑Framework verbessert Robustheit von Deep‑Learning‑Modellen gegen adversariale Angriffe

Ein Forscherteam um Sudip Saha, Muhammad Arslan Pervaiz, Muhammad Safwat Rahman, Shahriar Ahmmed und Jannatul Maua stellt ein neuartiges hybrides, adversarial trainiertes Deep‑Learning‑Framework vor, das die Widerstandsfähigkeit von Modellen gegenüber schnellen Gradient‑Sign‑Methoden (FGSM) und projizierten Gradient‑Descent‑Angriffen (PGD) erhöhen soll.

Hintergrund und Problemstellung

Die zunehmende Komplexität von Cyber‑Bedrohungen und adversarialen Angriffen stellt kritische Herausforderungen für die Sicherheit von maschinellen Lernmodellen dar, insbesondere in sensiblen Bereichen wie Gesundheitswesen, Finanzwesen und industrieller Steuerung.

Methodik des hybriden Frameworks

Das vorgestellte System kombiniert eine reinforcement‑learning‑inspirierte Robustheits‑Adaptation mit einer wissensbasierten Regularisierung. Während des Trainings werden Kreuz‑Entropie‑ und adversariale Verlustkomponenten balanciert, um sowohl die Genauigkeit auf sauberen Daten als auch die Robustheit zu optimieren. Zusätzlich werden Kalibrierungsfehler, Gradienten‑Dynamik und Generalisierungslücken überwacht, um stabile Konvergenz zu gewährleisten.

Ergebnisse auf Clean‑Daten

In umfangreichen Experimenten auf den Datensätzen Reconnaissance, Shellcode und Worms erreicht das Modell eine Genauigkeit von bis zu 97.88 % auf unveränderten Testdaten.

Robustheit gegenüber FGSM‑ und PGD‑Angriffen

Unter FGSM‑Angriffen bleibt die Genauigkeit bei 84.9 % und unter PGD‑Angriffen bei 81.75 %, was eine deutliche Verbesserung gegenüber herkömmlichen Architekturen darstellt.

Vergleich mit CNN‑ und LSTM‑Baselines

Im direkten Vergleich übertrifft das hybride Modell die CNN‑ und LSTM‑Baseline um 6–10 Prozentpunkte in Bezug auf adversariale Robustheit.

Zusätzliche Analyse von Konvergenz und Kalibrierung

Die Trainingskurven zeigen eine konsistente Verbesserung der Konvergenz‑Stabilität, eine Reduktion der Laufzeit, einen Abfall der Gradienten‑Normen und eine Verringerung des erwarteten Kalibrierungsfehlers um 30 %.

Schlussfolgerungen und Ausblick

Die Ergebnisse belegen, dass das hybride Framework ein vielversprechender Ansatz zur gleichzeitigen Steigerung von Genauigkeit, Robustheit und Effizienz ist und weitere Forschungen zu Trade‑offs zwischen diesen Zielgrößen anregen könnte.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.