Mitigating Log Poisoning Attack against Anomaly-based Intrusion Detection System

12 Oct 2026
Log anomaly detection, Log poisoning attack, Mitigation

Abstract

Les systèmes de détection d’anomalies et d’intrusions sont exposés aux attaques par empoisonnement, qui modifient le comportement des classificateurs. Ces attaques corrompent avec soin les échantillons d’entraînement et le modèle appris, rendant ainsi la détection inefficace. Pour les contrer, nous proposons une méthode d’apprentissage par ensemble qui entraîne plusieurs classificateurs sur des portions distinctes du jeu d’entraînement. Lors de l’exécution, le système de détection agrège les résultats de classification. Notre analyse théorique montre que la détection résiste aux attaques par empoisonnement lorsque le nombre d’échantillons empoisonnés est limité, ce qui est le cas en pratique afin de préserver la discrétion des attaques. Pour évaluer empiriquement cette robustesse, nous avons conçu et mis en œuvre plusieurs types d’attaques par empoisonnement, ainsi qu’un prototype. Les évaluations montrent que notre approche d’atténuation améliore considérablement la robustesse et la précision du système de détection par rapport aux systèmes de détection classiques.

Citation

Alexandre Azor, Francoise Sailhan, Alexandre Reiffers-Masson, Julien Francq. Mitigating Log Poisoning Attack against Anomaly-based Intrusion Detection System. Information Security Conference 2026, Guillaume Hiet, Oct 2026, Rennes, France.

Article en ligne : https://isc2026.github.io/papers/paper_3572.pdf