流式IDS后门攻击仅需0.001%污染数据

该研究指出基于人工智能的流量入侵检测系统（IDS）存在严重漏洞，攻击者仅需污染训练数据中极小比例的样本（低至0.001%），即可成功植入潜伏后门。这种攻击能在保持模型对正常输入性能近乎正常的同时，确保极高的攻击成功率，从而在运营网络中留下难以被察觉的安全隐患。 针对这一威胁，作者提出了一种以诊断为先的方法论，通过受限扰动分析定位触发器相关特征，并通过与蒸馏基线模型的对比来检测由中毒引起的行为漂移。该方法不仅支持量化评估，还能通过自动化数据清洗或神经元剪枝实现针对性缓解。研究包含6页正文、5张图表和4个表格，已获2026年IEEE网络安全与韧性国际会议接收。 事实层面确认了极低比例数据污染即可导致潜伏后门植入；推断层面表明现有IDS部署若缺乏此类诊断机制将面临隐蔽风险；猜测层面在于实际工业场景中攻击者是否已掌握并应用此技术，以及蒸馏基线模型在大规模实时环境中的构建成本与可行性仍需进一步验证。