随着基于大语言模型（LLM）的入侵检测系统（IDS）在安全监控中的应用越来越广泛，其对流量操控的鲁棒性仍然主要依赖经验研究。本文提出了流量感知随机平滑（TA-RS），这是一种与分类器无关的认证防御机制，专注于向可直接控制（DC）子空间注入高斯噪声——即攻击者可以修改的特征，在微调和认证过程中保持平滑分布与攻击者可控子空间的一致性。
我们识别出一个关键前提：对干净训练的LLM-IDS应用标准随机平滑在四个（模型，数据集）对中显示出较弱的认证准确率（14-33%，与随机相当），而在第四个对中为57%（比噪声增强结果低43个百分点）；经过噪声增强的微调在三个基准数据集中的准确率恢复到68-100%（当sigma=0.25时）。在L_inf等效阈值R_inf = epsilon\sqrt{|DC|}（epsilon=0.05）下，TA-RS在CIC-IDS-2018和HIKARI-2021上实现了55-100%的认证准确率，且中位认证半径（R约0.45-0.96）超出R_inf 1.8-5倍（在sigma=0.25-1.00之间）。与经过良好训练的同类RS基线相比，残余优势因数据集而异（在CIC-IDS-2018上为4-19个百分点）。更大的差距——与共享DC噪声增强训练方案的各向同性RS基线相比高达72个百分点——主要反映了训练与认证的不匹配，而不仅仅是DC对齐：各向同性的测试时噪声干扰了攻击者无法利用的不可控特征，导致高达68%的放弃率。RT-IoT2022探讨了该方法的极限：在默认的微调方案下失败，但当增加噪声增强时，认证准确率恢复至76%/69%（LLaMA3-8B/Qwen3-8B）。
博主点评： 本文提出的流量感知随机平滑方法在网络安全领域展示了新的防御思路，通过对攻击者可控特征的针对性处理，提高了入侵检测系统的鲁棒性。这一方法在模型微调和认证中的应用价值值得深入研究，尤其是在动态网络环境中对抗攻击的有效性。该研究为进一步提升LLM-IDS的安全性提供了重要参考。