Evasão em Modelos de Detecção de Ameaças de Rede Usando Propriedades do Espaço de Decisão

• Rafael Dias Campos UFMG
• Michele Nogueira UFMG / UFPR
• Marcio Costa Santos UFMG

DOI: https://doi.org/10.5753/sbrc.2026.19947

Resumo

Técnicas de Aprendizado de Máquina são frequentemente empregadas para detectar ameaças à nível de rede, como ataques de negação de serviço, XSS e Ransomware. Entretanto, os modelos treinados podem se tornar alvos de ataques adversariais, visando a evasão da detecção de tráfego de rede malicioso e a execução de ações no ambiente sem gerar alertas ou bloqueios. Os métodos atuais para realizar esses ataques apresentam limitações durante sua etapa de treinamento e podem gerar amostras de tráfego malicioso que diferem muito das amostras originais, limitando sua utilidade. Para lidar com esses problemas, este trabalho apresenta um novo método para a evasão dessa detecção, a partir do mapeamento do espaço de decisão dos modelos de detecção de ameaças de rede como um conjunto de politopos convexos. O método desenvolvido foi capaz de gerar amostras de tráfego malicioso mais próximas do tráfego original em comparação com os demais métodos testados e apresenta uma maior estabilidade de resultados entre diversas execuções.

Referências

Akiba, T., Sano, S., Yanase, T., Ohta, T., and Koyama, M. (2019). Optuna: A nextgeneration hyperparameter optimization framework. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.

Booij, T. M., Chiscop, I., Meeuwissen, E., Moustafa, N., and Hartog, F. T. H. d. (2022). Ton iot: The role of heterogeneity and the need for standardization of features and attack types in iot network intrusion data sets. IEEE IoT-J, 9(1):485–496.

Ducoffe, M. and Precioso, F. (2018). Adversarial active learning for deep networks: a margin based approach.

Enea (2025). Enea qosmos threat detection sdk - ids-based threat detection. [link]. Acessado em: 14/10/2025.

Fan, F.-L., Huang, W., Zhong, X., Ruan, L., Zeng, T., Xiong, H., and Wang, F. (2024). Deep relu networks have surprisingly simple polytopes.

Fortinet (2025). Next Generation Firewall (NGFW) - See top products. [link]. Acessado em: 21/01/2026.

Gajer, P. and Ravel, J. (2025). The geometry of machine learning models. García, S., Grill, M., Stiborek, J., and Zunino, A. (2014). An empirical comparison of botnet detection methods. Computers & Security, 45:100–123.

Ibitoye, O., Shafiq, O., and Matrawy, A. (2019). Analyzing adversarial attacks against deep learning for intrusion detection in iot networks. In GLOBECOM, pages 1–6.

Koroniotis, N., Moustafa, N., Schiliro, F., Gauravaram, P., and Janicke, H. (2020). A holistic review of cybersecurity and reliability perspectives in smart airports. IEEE Access, 8:209802–209834.

Lin, Z., Shi, Y., and Xue, Z. (2022). IDSGAN: Generative Adversarial Networks for Attack Generation Against Intrusion Detection, page 79–91. Springer International Publishing.

Moustafa, N. (2021). A new distributed architecture for evaluating ai-based security systems at the edge: Network ton iot datasets. Sustainable Cities and Society, 72:102994.

Sattelberg, B., Cavalieri, R., Kirby, M., Peterson, C., and Beveridge, R. (2020). Locally linear attributes of relu neural networks.

Shu, D., Leslie, N. O., Kamhoua, C. A., and Tucker, C. S. (2020). Generative adversarial attacks against intrusion detection systems using active learning. In Proceedings of the 2nd ACM Workshop on Wireless Security and Machine Learning, WiseML ’20, page 1–6.

Tavallaee, M., Bagheri, E., Lu, W., and Ghorbani, A. A. (2009). A detailed analysis of the kdd cup 99 data set. In IEEE CISDA, pages 1–6.

Progress Software Corporation (2025). Flowmon - trusted solution for network and security operations - progress flowmon. [link]. Acessado em: 14/10/2025.