АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыСпецпроектыСтать автором
Сменить язык
О РУВИКИ

Техники обхода системы обнаружения вторжений

Техники обхода системы обнаружения вторжений (англ. Intrusion detection system evasion techniques) — это способы модификации атак с целью предотвращения их обнаружения системой обнаружения вторжений (СОВ). Почти все опубликованные техники обхода изменяют сетевые атаки. Статья «Insertion, Evasion, and Denial of Service: Eluding Network Intrusion Detection» 1998 года популяризировала методы обхода СОВ и рассмотрела как соответствующие техники, так и ситуации, когда корректная интерпретация трафика зависела от особенностей целевой системы. Программы 'fragroute' и 'fragrouter' реализуют обсуждаемые в этой работе техники обхода. Многие сканеры уязвимостей веб-приложений, такие как 'Nikto', 'whisker' и 'Sandcat', также применяют методы обхода СОВ.

Большинство СОВ были доработаны для обнаружения или даже обратного анализа базовых методов обхода, однако как сами техники обхода, так и противодействие им, остаются активными направлениями исследований.

Эволюция систем обнаружения вторжений характеризуется переходом от исключительно сигнатурных методов к поведенческому анализу и использованию машинного обучения. Поскольку сигнатурный анализ уязвим к атакам нулевого дня, обфускации и сложным целенаправленным угрозам, современные системы выявляют аномалии, опираясь на эталон нормального поведения сети[1]. В связи с этим современная классификация методов обхода СОВ включает противодействие как сигнатурному, так и поведенческому анализу, а также активное использование искусственного интеллекта. Выделяются три основные категории: обход сигнатурных систем (скрытие вредоносного трафика с помощью шифрования или кодирования), обход систем на базе машинного обучения (состязательные атаки, изменяющие тайминг пакетов и признаки трафика для обмана алгоритмов) и обход с использованием ИИ (применение больших языковых моделей для автоматизации атак, генерации легитимно выглядящего трафика и создания информационного шума)[2].

Маскировка (обфускация)

СОВ может быть обойдена путём маскировки или кодирования вредоносной нагрузки атаки таким образом, чтобы целевой компьютер смог обратимо распознать данные, а система обнаружения — нет. Это позволяет атакующему скомпрометировать конечный хост, не вызвав срабатывания СОВ.

Кодирование

Протоколы прикладного уровня, такие как протокол передачи гипертекста, допускают различные варианты кодирования данных, которые интерпретируются одинаково. Например, строку «cgi-bin» в унифицированном указателе ресурса можно закодировать как «%63%67%69%2d%62%69%6e» (шестнадцатеричная форма)[3]. Веб-сервер будет воспринимать обе строки как одну и ту же команду и обработает их аналогично. Для правильного сопоставления сетевого трафика с известными вредоносными сигнатурами, СОВ должна знать о всех формах кодирования, поддерживаемых целевыми хостами[3][4]. Злоумышленники также применяют двойное URL-кодирование (например, замену символа «%» на «%25»), что позволяет обходить фильтры систем защиты, настроенные лишь на однократное декодирование[5][6]. Кроме того, для сокрытия вредоносного контента используется кодирование параметров в Base64 и изменение кодировки символов с помощью различных форматов Unicode[7]. Для противодействия этим методам системы обнаружения вторжений должны автоматически декодировать Base64 и определять тип кодировки Unicode, однако процесс нормализации создаёт дополнительную вычислительную нагрузку и может приводить к ложным срабатываниям[5][7].

Атаки на зашифрованные протоколы, такие как HTTPS, не могут быть проанализированы системой обнаружения без доступа к приватному ключу сервера[8]. Если СОВ не учитывает это, она не сможет сопоставлять зашифрованный трафик с вредоносными сигнатурами. Широкое внедрение протоколов TLS 1.3 и QUIC, а также использование расширения Encrypted Client Hello (ECH), шифрующего параметры соединения (включая Server Name Indication), дополнительно усложняют глубокую инспекцию пакетов, делая её невозможной без предварительной расшифровки[9][10]. Поскольку современные браузеры и вредоносное ПО рандомизируют порядок TLS-расширений, классические методы идентификации (например, JA3) становятся неэффективными[11]. В качестве противодействия применяются поведенческий анализ зашифрованного трафика с использованием машинного обучения, блокировка ECH, а также современные стандарты отпечатков, такие как JA4, которые устойчивы к рандомизации и комбинируются с анализом поведенческих метрик[11][12][13].

Полиморфизм

СОВ, основанные на сигнатурах, как правило, ищут в трафике характерные признаки атак для их идентификации. Например, чтобы обнаружить атаки на переполнение буфера, система может искать признаки использования NOP-слайдов, применяемых для обхода защиты на основе рандомизации расположения адресного пространства[14].

Для маскировки своих действий злоумышленники используют полиморфные шелл-коды, генерирующие уникальные паттерны атаки. Обычно вредоносная нагрузка кодируется (например, посредством операции XOR с каждым байтом, например, 0x95), а перед ней добавляется декодер, который выполняется на цели и восстанавливает исходную нагрузку[3][14].

Полиморфные атаки не имеют единых обнаруживаемых сигнатур, что делает их трудными для обнаружения сигнатурными СОВ, а иногда и для некоторых аномальных систем[3][14]. Примером популярного полиморфного кодировщика является Shikata ga nai («ничего не поделаешь») из фреймворка Metasploit, который использует XOR-схему с обратной связью для преобразования вредоносного шелл-кода в трудновыявляемый полиморфный вариант[15].

Для обхода статического анализа и изменения сигнатуры также применяется метод вставки мусорного (junk code) или мёртвого кода (dead code). В программу добавляются инструкции, не влияющие на её основную функциональность, такие как пустые операции (NOP), фиктивные вызовы API, избыточные математические вычисления или бесконечные циклы. Это повышает энтропию файла, маскирует вредоносный функционал и существенно замедляет процесс анализа. Данный метод активно используется различными вредоносными программами и APT-группировками (например, WastedLocker, StrelaStealer, FIN7 и другими)[16].

Современным развитием методов обфускации является использование генеративного искусственного интеллекта (LLM) для создания самомодифицирующегося (метаморфного) кода. Например, дроппер PROMPTFLUX использует API нейросетей для рекурсивного переписывания собственного исходного кода, а инструмент PROMPTSTEAL применяет LLM для динамической генерации команд сбора данных «на лету»[17].

Стеганография

Сетевая стеганография используется для скрытия каналов управления (C2) внутри легитимных протоколов путём манипуляции с полями их заголовков[18]. В протоколе DNS для передачи скрытых команд и туннелирования данных могут применяться:

  • Z-bits (три зарезервированных бита): согласно стандартам, они должны быть нулевыми, и появление других значений указывает на возможную передачу скрытых команд;
  • QClass (16-битное поле): изменение стандартного значения IN (Internet) может использоваться для кодирования данных или нумерации фрагментов;
  • Transaction ID (16-битное поле): специально сформированные идентификаторы запросов применяются для передачи фрагментированных данных[18].

В протоколе HTTP (в частности, HTTP/1.1) для скрытой связи часто используется поле заголовка User-Agent. Применение уникальных или дефолтных строк библиотек (например, Go-http-client/1.1) может указывать на использование нестандартных инструментов злоумышленников[18].

Обход системы обнаружения

Атакующие могут обойти СОВ, модифицируя сетевые пакеты так, чтобы конечный хост корректно интерпретировал вредоносную нагрузку, в то время как система обнаружения ошибочно определит передаваемые данные либо как безвредные, либо неверно интерпретирует их[8].

Фрагментация и маленькие пакеты

Один из базовых приёмов состоит в разделении вредоносной нагрузки на несколько маленьких пакетов, требуя от СОВ восстановления всего потока для идентификации атаки. Простой способ заключается во фрагментации пакетов, однако злоумышленник может просто генерировать пакеты с малыми полезными нагрузками[3]. Инструмент 'whisker' называет такой подход «разбиением сессии» (англ. session splicing).

Самостоятельно такой подход уже не поможет обойти те СОВ, которые умеют собирать потоки пакетов. Однако небольшие пакеты можно усложнять для создания дополнительных проблем при сборке. Одна из техник — делать паузы между фрагментами атаки, надеясь, что таймер системы обнаружения истечёт раньше, чем у цели. Кроме того, части атаки можно отправлять вне порядка, что вызовет дополнительные трудности при анализе.

Среди современных методов обхода систем обнаружения выделяются атаки на базе IPv6. К ним относится атака Tiny Fragment, при которой заголовок транспортного уровня разделяется между несколькими фрагментами, что мешает системе защиты корректно считать флаги. Другой метод — Atomic Fragment (манипуляция с MTU), использующий отправку поддельного сообщения ICMPv6 Packet Too Big с указанием MTU менее 1280 байт, что заставляет целевой узел генерировать «атомарные фрагменты» для изначально нефрагментированного трафика. Также применяется тайминговая доставка фрагментов: сначала отправляются части безобидного пакета, а после закрытия окна сборки в системе обнаружения досылаются перекрывающиеся фрагменты с вредоносными данными, которые система игнорирует как опоздавшие, но целевой узел успешно реконструирует[19].[20].

Перекрывающиеся фрагменты и TCP-сегменты

Другая техника обхода заключается в отправке серии пакетов с TCP-последовательностями, специально настроенными для перекрытия. Например, первый пакет передаёт 80 байт, а второй имеет номер последовательности, начинающийся с 76 байта первого пакета. Когда целевая система собирает поток, ей нужно решить, как обработать перекрывающиеся 4 байта. Одни операционные системы выбирают старые данные, другие — новые[8]. Если СОВ восстанавливает поток иначе, чем целевой компьютер, возможно пропустить часть вредоносного кода или добавить в него безвредные данные, нарушая соответствие сигнатуре[3][8]. Этот же подход применим и к фрагментации на IP-уровне. В сетях IPv6 атака с перекрывающимися фрагментами (Overlapping Fragment Attack) использует отправку фрагментов с перекрывающимися смещениями для эксплуатации различий в политиках сборки пакетов. Согласно современным стандартам (RFC 5722 и RFC 8200), при обнаружении перекрытия весь набор фрагментов должен отбрасываться, однако устаревшие или нестандартные устройства могут оставаться уязвимыми[19].

Неоднозначности анализа

Некоторые методы обхода основаны на намеренном нарушении стандарта TCP или IP в расчёте на различия в реализации на целевом хосте и в СОВ. Например, указатель приоритета TCP обрабатывается по-разному в разных ОС. Несогласованная обработка протокольных ошибок с конечными хостами делает СОВ уязвимыми для техник вставки и обхода, упомянутых ранее[8].

Атаки с низкой интенсивностью (Low-bandwidth attacks)

Атаки, распределённые по длительному времени или большому количеству источников, например, медленное сканирование Nmap, трудно отличить на фоне легального трафика. Онлайн-переборщик паролей, тестирующий по одному паролю на каждого пользователя в день, будет выглядеть так же, как обычный пользователь, ошибочно вводящий пароль. Для обхода пороговых фильтров и систем обнаружения аномалий также применяются низкоинтенсивные атаки на прикладном уровне (L7), нацеленные на протокол HTTP и внутренние API. Одним из методов является использование неполных HTTP-запросов (например, атака Slowloris), при которой злоумышленник устанавливает множество соединений и передаёт частичные заголовки, периодически досылая небольшие порции данных без завершения запроса. Это заставляет сервер держать пулы соединений открытыми, исчерпывая доступные потоки при минимальном объёме трафика[21]. Кроме того, медленные запросы могут направляться к внутренним API от имени легитимных или скомпрометированных аккаунтов, что делает неэффективным ограничение частоты запросов по IP-адресу[22].

Обход на уровне хоста и приложений

Бесфайловые атаки

Бесфайловые атаки позволяют обходить сигнатурное сканирование систем обнаружения вторжений за счёт выполнения вредоносного кода непосредственно в оперативной памяти без сохранения файлов на диск. К основным методам относятся:[23]

  • Выполнение PowerShell в памяти — загрузка и выполнение шеллкода в оперативной памяти (например, передача Base64-команд через powershell.exe -EncodedCommand или использование Invoke-Expression)[23].[24]
  • Внедрение в процесс (Process Injection) — скрытие активности путём внедрения вредоносного кода в адресное пространство доверенных процессов (таких как svchost.exe), что позволяет работать от имени легитимного приложения[23].[24]
  • Рефлексивная загрузка DLL — обход белых списков приложений путём загрузки DLL напрямую из памяти без вызова стандартного API-загрузчика Windows[23].[25]
  • Использование WMI-подписок — скрытое закрепление в системе за счёт триггеров, выполняющих код при определённых системных событиях без создания файлов[23].[24][25]
  • Создание анонимных файлов в памяти Linux — обход обнаружения на уровне файловой системы путём создания файлов в оперативной памяти через системный вызов memfd_create[24].

Атаки на цепочки поставок

Злоумышленники скрывают вредоносную нагрузку в легитимных пакетах репозиториев, таких как PyPI и npm, для обхода систем обнаружения вторжений и сканеров безопасности[26][27]. Для маскировки применяются следующие методы:

  • Обфускация: использование сжатия ZLib в сочетании с кодированием Base64, экранирование Unicode, реверс строк и обфускация исходного кода[26][28][27]
  • Стеганография: сокрытие вредоносного кода внутри изображений (в том числе QR-кодов), загружаемых с удалённых серверов[28][29]
  • Отложенное и условное выполнение: активация кода через определённое время, с заданной вероятностью или только в не-разработческой среде для избежания обнаружения в песочницах. Для выполнения произвольного кода на этапе установки пакета часто используются установочные скрипты (например, postinstall)[28][27]

Обход поведенческого анализа и машинного обучения

Состязательные атаки

Существуют методы генерации состязательных примеров для сетевых пакетов, которые сохраняют функциональность атаки, но меняют её классификацию моделями машинного обучения[30]. К основным методам относятся:

  • Слепые возмущения — добавление случайных байтов к UDP- и TCP-пакетам для изменения характеристик трафика без нарушения работы протокола[30].
  • Атаки с побочным каналом — манипуляция сетевыми метаданными (длина пакета, временные метки, порты) на основе пассивного наблюдения за временем ответа, загрузкой процессора и потерей пакетов[30].
  • Использование суррогатных моделей — обучение собственной модели на перехваченном трафике для генерации состязательного трафика, способного обмануть целевую систему обнаружения вторжений[30].
  • Использование генеративно-состязательных сетей (GAN) — генерация синтетического сетевого трафика, имитирующего характеристики оригинального, для обхода классификации[31].
  • Метод быстрого знака градиента (FGSM) — добавление минимального шума в исходные сетевые пакеты путём вычисления градиента функции потерь и изменения признаков в направлении, максимизирующем ошибку модели[32].

Отравление данных и концептуальный дрейф

Атаки типа отравления данных (англ. data poisoning) направлены на компрометацию процесса обучения или дообучения моделей машинного обучения в системах обнаружения вторжений. Их цель — незаметно сместить границы принятия решений, позволяя вредоносному трафику обходить защиту[33]. К методам отравления обучающих выборок относятся:

  • ε-загрязнение (ε-contamination) — внедрение шума в определённую долю обучающей выборки для снижения доли истинно-положительных и роста ложноположительных срабатываний;
  • вероятностное отравление (p-Tampering) — модификация отдельных фрагментов данных или целых образцов с заданной вероятностью для искажения процесса извлечения признаков[34].

Злоумышленники также могут использовать концептуальный дрейф (англ. concept drift) для постепенного приучения систем обнаружения вторжений к вредоносному трафику (так называемое «отравление базовой линии»). Вредоносный трафик внедряется в сеть медленно, что заставляет модель адаптироваться к новым данным и считать такое поведение нормальным, в результате чего атака не вызывает срабатывания защиты[35].

Мимикрия и имитация действий человека

Для обхода систем поведенческого анализа злоумышленники активно применяют техники мимикрии под трафик легитимных приложений и имитацию действий человека. Одним из методов является маскировка C2-каналов под трафик приложений для видеоконференций (например, Zoom и Microsoft Teams). В рамках техники «Ghost Calls» злоумышленники используют серверы TURN и протокол WebRTC для туннелирования C2-трафика. Это позволяет обходить межсетевые экраны, прокси-серверы и TLS-инспекцию, поскольку вредоносные сессии сливаются с нормальным корпоративным трафиком, а полезная нагрузка скрыта стандартным шифрованием WebRTC. Кроме того, в автоматизированных бот-атаках применяются методы имитации пользовательского ввода:

  • Эмуляция движения мыши: использование кривых траекторий, случайной скорости, отклонений и эффекта «дрожания» для снижения вероятности обнаружения ботов.
  • Задержки печати: имитация времени удержания клавиш и пауз между нажатиями с использованием случайных диапазонов или гауссовых распределений, что делает симуляцию трудноотличимой от реальной активности человека.
  • Паттерны навигации: нелинейный сёрфинг, случайные паузы для «чтения», взаимодействие с динамическими элементами и скрытие флагов автоматизации (например, navigator.webdriver).

Отказ в обслуживании системы обнаружения

Поскольку пассивные СОВ по своей природе открыты при сбоях (в отличие от закрытых при сбоях), атаки типа отказа в обслуживании на них становятся реальным способом обхода защиты[8]. Злоумышленник может использовать ошибку в самой системе, исчерпать её вычислительные ресурсы или умышленно инициировать множество ложных тревог, чтобы замаскировать настоящую атаку. Примерами подобных ошибок служат критические уязвимости в анализаторе трафика Snort 3, приводящие к отказу в обслуживании. В частности, уязвимость CVE-2026-20026 в механизме обработки DCE/RPC вызывает неожиданную перезагрузку механизма обнаружения, прерывая проверку пакетов[36]. Уязвимость CVE-2025-20217 приводит к бесконечному циклу при инспекции пакетов, что временно останавливает проверку трафика до перезапуска процесса системным сторожевым таймером[37].

Исчерпывание процессорных ресурсов

Пакеты, поступающие в СОВ, накапливаются в буфере ядра до тех пор, пока процессор не освободится для их обработки. Если ЦП перегружен, новые пакеты дропаются при заполнении буфера, — в том числе потенциально вредоносные[8].

Варианты атаки: злоумышленник может перегрузить процессорное время, отправив трафик, который требует трудоёмкого поиска совпадений с сигнатурами — характерно для сигнатурных СОВ, где используются алгоритмы сопоставления с образцом. Некоторые сигнатуры дорогостоящи по вычислениям, и если направить сконструированный поток, вызывающий наибольшую загрузку ЦП при анализе, можно реализовать алгоритмическая атака на сложность, перегрузив систему при сравнительно малой пропускной способности[3][4][3].

СОВ, которые анализируют зашифрованный трафик, могут расходовать ресурсы на дешифровку[8].

Исчерпывание памяти

Для выявления некоторых типов атак СОВ необходимо хранить состояние по соединениям, которые она отслеживает. Например, СОВ должна вести записи о TCP-соединениях («TCP control blocks», TCB), где хранятся номера последовательностей, размеры окон и состояния соединений (ESTABLISHED, RELATED, CLOSED и др.)[8]. При исчерпании доступной оперативной памяти устройство вынуждено использовать виртуальную память на жёстком диске, что замедляет работу системы и приводит к потере пакетов, аналогично перегрузке ЦП[8].

Если процесс сбора мусора для TCB реализован неэффективно, злоумышленник может исчерпать память, инициируя множество TCP-соединений за короткое время[8]. Схожий эффект достигается при массовой фрагментации пакетов или отправке множества внепорядочных TCP-сегментов[8].

Утомление оператора

Оповещения, генерируемые СОВ, имеют смысл только если по ним принимаются меры. Злоумышленник может снизить «доступность» системы для действительного реагирования, наводнив оператора огромным числом тревог, передавая массивы «вредоносного» сигнатурного трафика, чтобы скрыть настоящую атаку на фоне «шума». Для этих целей используются инструменты 'stick' и 'snot', генерирующие большое число тревог путём передачи сигнатур через сеть; однако их нельзя легко использовать против СОВ, отслеживающих контекст приложений.

Примечания

  1. ↑ IPS/IDS: Системы обнаружения и предотвращения вторжений. IT-Grad. Дата обращения: 26 августа 2026.
  2. ↑ Современная классификация методов обхода IDS/IPS. arXiv.org (23 октября 2025). Дата обращения: 26 августа 2026.
  3. ↑ 1 2 3 4 5 6 7 8 Cheng, Tsung-Huan; Lin, Ying-Dar; Lai, Yuan-Cheng; Lin, Po-Ching (2012). “Evasion Techniques: Sneaking through Your Intrusion Detection/Prevention Systems”. IEEE Communications Surveys & Tutorials [англ.]. 14 (4): 1011—1020. DOI:10.1109/surv.2011.092311.00082. Дата обращения 2024-06-11. |access-date= требует |url= (справка)
  4. ↑ 1 2 Corona, Igino; Giacinto, Giorgio; Roli, Fabio (2013). “Adversarial attacks against intrusion detection systems: Taxonomy, solutions and open issues”. Information Sciences [англ.]. 239: 201—225. DOI:10.1016/j.ins.2013.03.022. Дата обращения 2024-06-11. |access-date= требует |url= (справка)
  5. ↑ 1 2 Detecting Double URI Encoding. Trend Micro. Дата обращения: 26 августа 2026.
  6. ↑ Double Encoding. OWASP Community. Дата обращения: 26 августа 2026.
  7. ↑ 1 2 Evasions of intrusion prevention and detection systems. Virus Bulletin (апрель 2010). Дата обращения: 26 августа 2026.
  8. ↑ 1 2 3 4 5 6 7 8 9 10 11 12 Ptacek, Thomas H.; Newsham, Timothy N. (1998-01-01). “Insertion, evasion, and denial of service: Eluding network intrusion detection”. Secure Networks, Inc. Technical Report [англ.]. Дата обращения 2024-06-11. |access-date= требует |url= (справка)
  9. ↑ Unmasking the Encrypted Threat: Reclaiming Visibility in the TLS 1.3/QUIC Era. US Cybersecurity Magazine. Дата обращения: 26 августа 2026.
  10. ↑ TLS 1.3 и ECH: как сохранить видимость трафика в эпоху шифрования. SecurityLab. Дата обращения: 26 августа 2026.
  11. ↑ 1 2 As JA3 Fingerprints Fade, Browsers Embrace TLS Extension Randomization. Stamus Networks. Дата обращения: 26 августа 2026.
  12. ↑ TLS Fingerprint JA3/JA4 Detection. Wilico. Дата обращения: 26 августа 2026.
  13. ↑ Introducing JA4 Signals: A new way to detect malicious traffic. Cloudflare Blog. Дата обращения: 26 августа 2026.
  14. ↑ 1 2 3 Chaboya, D. J.; Raines, R. A.; Baldwin, R. O.; Mullins, B. E. (2006-11-01). “Network Intrusion Detection: Automated and Manual Methods Prone to Attack and Evasion”. IEEE Security & Privacy [англ.]. 4 (6): 36—43. DOI:10.1109/MSP.2006.159. ISSN 1540-7993. S2CID 11444752. Дата обращения 2024-06-11. |access-date= требует |url= (справка)
  15. ↑ Polymorphic XOR Additive Feedback Encoder (англ.). rapid7.com. Дата обращения: 26 августа 2026. Архивировано 7 августа 2025 года.
  16. ↑ Junk Code Insertion. MITRE ATT&CK. Дата обращения: 26 августа 2026.
  17. ↑ Google sounds alarm on self-modifying AI malware. Security Affairs. Дата обращения: 26 августа 2026.
  18. ↑ 1 2 3 Malware of the Day: ZetaSwitch DNS & HTTP Multi-Modal C2. Active Countermeasures. Дата обращения: 26 августа 2026.
  19. ↑ 1 2 IPv6 Fragmentation Attacks. oneuptime.com (20 марта 2026). Дата обращения: 26 августа 2026.
  20. ↑ Timing-based fragment delivery. repository.tudelft.nl. Дата обращения: 26 августа 2026.
  21. ↑ Types of DDoS Attacks and How to Detect Them. Wiz.io. Дата обращения: 26 августа 2026.
  22. ↑ Защита от DDoS-атак 2026: Сравнение стратегий Detection и чек-лист для SOC. Codeby.net. Дата обращения: 26 августа 2026.
  23. ↑ 1 2 3 4 5 Fileless Malware: SOC Detection and Response. CyberDefenders. Дата обращения: 26 августа 2026.
  24. ↑ 1 2 3 4 What is Fileless Malware? Vectra AI. Дата обращения: 26 августа 2026.
  25. ↑ 1 2 What is Fileless Malware? Picus Security. Дата обращения: 26 августа 2026.
  26. ↑ 1 2 A Closer Look at Software Supply Chain Attacks 2025. Xygeni (15 января 2025). Дата обращения: 26 августа 2026.
  27. ↑ 1 2 3 Malicious Code Hidden in npm Packages. Cycode (1 ноября 2023). Дата обращения: 26 августа 2026.
  28. ↑ 1 2 3 Вредоносный пакет FezBox в NPM крадет пароли... 1275.ru (20 мая 2024). Дата обращения: 26 августа 2026.
  29. ↑ Обход песочниц и непрямой импорт. AlphaXiv (20 сентября 2023). Дата обращения: 26 августа 2026.
  30. ↑ 1 2 3 4 Adversarial Examples in Network Traffic Classification: A Survey. arXiv.org (8 июня 2023). Дата обращения: 26 августа 2026.
  31. ↑ Adversarial Attacks on Network Traffic Classification using Generative Adversarial Networks. PMC (PubMed Central) (14 октября 2022). Дата обращения: 26 августа 2026.
  32. ↑ Fast Gradient Sign Method for Network Intrusion Detection Systems. Springer Link. Дата обращения: 26 августа 2026.
  33. ↑ Атака на модель машинного обучения антиспама DeepQuarantine. Securelist. Лаборатория Касперского. Дата обращения: 26 августа 2026.
  34. ↑ Механизмы защиты моделей машинного обучения от состязательных атак. КиберЛенинка. КиберЛенинка. Дата обращения: 26 августа 2026.
  35. ↑ Using Concept Drift to Bypass Network Anomaly Detection. Vectra AI. Vectra AI. Дата обращения: 26 августа 2026.
  36. ↑ Cisco Security Advisory: Snort 3 DCE/RPC Vulnerabilities. Cisco. Дата обращения: 26 августа 2026.
  37. ↑ CVE-2025-20217: Cisco FTD Snort 3 Infinite Loop DoS. ZeroPath. Дата обращения: 26 августа 2026.

Литература

  • Cheng, Tsung-Huan; Lin, Ying-Dar; Lai, Yuan-Cheng; Lin, Po-Ching. Evasion Techniques: Sneaking through Your Intrusion Detection/Prevention Systems. IEEE Communications Surveys & Tutorials. 2012, 14(4): 1011—1020. DOI:10.1109/surv.2011.092311.00082.
  • Corona, Igino; Giacinto, Giorgio; Roli, Fabio. Adversarial attacks against intrusion detection systems: Taxonomy, solutions and open issues. Information Sciences. 2013, 239: 201—225. DOI:10.1016/j.ins.2013.03.022.
  • Ptacek, Thomas H.; Newsham, Timothy N. Insertion, Evasion, and Denial of Service: Eluding Network Intrusion Detection. Secure Networks, Inc. Technical Report, 1998.

Ссылки

Категории