RPM-Net Reciprocal Point MLP Network for Unknown Network Security Threat Detection

إليك ملخص تقني مفصل لورقة البحث بعنوان: "RPM-Net: شبكة MLP ذات النقطة المتبادلة للكشف عن تهديدات أمن الشبكات غير المعروفة."

1. بيان المشكلة

تتناول الورقة التحدي الحرج المتمثل في اكتشاف تهديدات أمن الشبكات غير المعروفة في البيئات متعددة الفئات وغير المتوازنة. تواجه أنظمة كشف التسلل للشبكات (NIDS) الحالية ثلاث قيود رئيسية:

• فجوة التعرف على المجموعة المفتوحة (OSR): تفترض الطرق التقليدية غالبًا وجود مجموعة مغلقة (جميع بيانات الاختبار تنتمي إلى فئات التدريب). في الواقع، يستخدم المهاجمون تقنيات جديدة (ثغرات اليوم صفر، برمجيات فدية جديدة) لا تتوافق مع الأنماط المعروفة.
• عدم توازن الفئات: تتميز حركة مرور الشبكة في العالم الحقيقي بتوزيعات منحازة للغاية (على سبيل المثال، حركة المرور الحميدة تفوق بكثير أنواع هجمات معينة، وبعض الهجمات نادرة). معظم طرق الـ OSR متعددة الفئات الحالية تفترض توزيعات متوازنة، مما يؤدي إلى تعميم ضعيف.
• نقص القابلية للتفسير ونمذجة "اللا-فئة": تعتمد النهج الحالية غالبًا على تصنيف ثنائي بسيط (طبيعي مقابل هجوم) أو تفتقر إلى آليات لنمذجة مساحة "اللا-معلوم" بشكل صريح. كما أنها تواجه صعوبة في تحديد الحدود التي يمكن من خلالها تحديد التهديدات الجديدة بأمان دون الحاجة إلى عينات من تلك التهديدات غير المعروفة أثناء التدريب.

2. المنهجية: إطار عمل RPM-Net

يقترح المؤلفون RPM-Net، وهو إطار عمل مبتكر مصمم لتعلم تمثيلات "اللا-فئة" للفئات المعروفة وإنشاء حدود هندسية للتهديدات غير المعروفة. تتكون البنية من أربعة مكونات رئيسية:

أ. مستخرج الميزات (Feature Extractor)

تقوم شبكة MLP (المدرك متعدد الطبقات) مع تنشيط ReLU وتنظيم Dropout باستخراج تضمينات الميزات ($z$) من بيانات تدفق الشبكة الخام.

ب. آلية النقطة المتبادلة (Reciprocal Point Mechanism)

بدلاً من تعلم مركز نقطة للفئة (ما هي الفئة)، تتعلم RPM-Net نقطة متبادلة ($P_k$) لكل فئة معروفة $k$، والتي تمثل ما ليست عليه الفئة.

• المنطق: يتم حساب المسافة بين التضمين $z$ ونقطته المتبادلة $P_k$ باستخدام مزيج من المسافة الإقليدية الموحدة وتشابه جيب التمام (cosine similarity).
• التصنيف: يتم تعيين عينة للفئة $k$ إذا كانت "بعيدة" عن النقطة المتبادلة للفئات الأخرى ولكنها "قريبة" من النقطة المتبادلة لفئتها الخاصة (مفهومياً، تعظيم المسافة إلى مساحة "اللا-فئة").

ج. قيود الهامش التنافسي (Adversarial Margin Constraints)

للتعامل مع التهديدات غير المعروفة، يفرض النموذج قيد هامش ($R_k$) حول كل نقطة متبادلة.

• الآلية: يتم تقييد عينات الفئات المعروفة للبقاء ضمن مسافة محددة ($R_k$) من نقطتها المتبادلة.
• النتيجة: هذا يدفع الفئات المعروفة نحو محيط مساحة الميزات، مما يترك "مساحة مفتوحة" مركزية حيث تستقر التهديدات غير المعروفة بشكل طبيعي. هذا يخلق حداً هندسياً يفصل الأنماط المعروفة عن الشذوذ غير المعروف دون الحاجة إلى عينات غير معروفة أثناء التدريب.

د. تنظيم تمييز فيشر (Fisher Discriminant Regularization - RPM-Net++)

لتعزيز الأداء بشكل أكبر، قدم المؤلفون RPM-Net++، الذي يضيف تنظيم تمييز فيشر إلى دالة الخسارة.

• الهدف: تعظيم نسبة التشتت بين الفئات (الانفصال بين الفئات المختلفة المعروفة) إلى التشتت داخل الفئة (التماسك داخل الفئة الواحدة).
• الأثر: يضمن ذلك أن تكون الفئات المعروفة متجمعة بإحكام ومنفصلة جيداً، مما يجعل "المساحة المفتوحة" للمجاهيل أكثر تميزاً ويحسن المتانة ضد عدم توازن الفئات.

هـ. هدف التدريب (Training Objective)

تجمع دالة الخسارة الإجمالية بين ثلاثة مكونات:
$$L_{total} = \alpha L_{CE} + \lambda L_{margin} + \beta L_{Fisher}$$
حيث $L_{CE}$ هي الإنتروبيا المتقاطعة بناءً على مسافات النقاط المتبادلة، و $L_{margin}$ يفرض قيود الهامش، و $L_{Fisher}$ يحسن تميز الفئات.

و. الاستدلال (Inference)

• التصنيف: يتم تعيين تسمية النقطة المتبادلة ذات المسافة الأكبر.
• اكتشاف المجهول: إذا كانت المسافة القصوى لأي نقطة متبادلة أقل من العتبة $\tau$، يتم وضع علامة على العينة كـ تهديد غير معروف.

3. المساهمات الرئيسية

1. آلية النقطة المتبادلة: تقدم طريقة مبتكرة لتمثيل مساحات "اللا-فئة" للتعرف متعدد الفئات على المجموعات المفتوحة، مما يسمح بالتمييز الفعال للهجمات المعروفة.
2. بناء الحدود التكيفية: تستخدم قيود الهامش التنافسي لإنشاء مساحة ميزات يتم فيها دفع الفئات المعروفة إلى المحيط، مما يستوعب التهديدات غير المعروفة في المركز بشكل طبيعي.
3. تنظيم فيشر (RPM-Net++): يعزز التماسك داخل الفئة والتمايز بين الفئات، مما يعالج تحديداً تحديات البيئات متعددة الفئات غير المتوازنة.
4. استراتيجية تدريب موحدة: يتعلم إطار العمل مساحة تمثيل للتعرف على المجموعة المفتوحة باستخدام بيانات الهجمات المعروفة فقط، مما يلغي الحاجة إلى عينات من الفئات غير المعروفة خلال مرحلة التدريب.

4. النتائج التجريبية

تم تقييم النموذج على مجموعتي بيانات قياسيتين: CICIDS2017 و UNSW-NB15، ومقارنته بكل من Baseline، و ODIN، و OCN، و EVM.

• أداء CICIDS2017:

  • تصنيف الفئات المعروفة: حقق درجة F1-score قدرها 0.9987.
  • اكتشاف المجهول: حقق AUPR-OUT (المساحة تحت منحنى الدقة-الاستدعاء للمجموعات خارج التوزيع) قدرها 0.6523، متفوقاً بشكل كبير على أفضل طريقة تالية (EVM بنسبة 0.2974).
  • RPM-Net++: حسن أيضاً AUROC إلى 0.9735 و AUPR-OUT إلى 0.6711.

• أداء UNSW-NB15:

  • تصنيف الفئات المعروفة: درجة F1-score بلغت 0.7950.
  • اكتشاف المجهول: حقق AUPR-OUT قدره 0.8555، متفوقاً على جميع النماذج المرجعية.
  • RPM-Net++: حسن AUPR-OUT إلى 0.8664.

• دراسة الاستئصال (Ablation Study): أدت إضافة تنظيم فيشر (RPM-Net++) باستمرار إلى تحسين AUROC و AUPR-OUT في كلا المجموعتين، مما يؤكد التآزر بين النقاط المتبادلة، وقيود الهامش، والتنظيم التمييزي.

5. الأهمية والأثر

• القابلية للتطبيق العملي: تعالج RPM-Net القيد الواقعي المتمثل في عدم توازن الفئات وعدم القدرة على جمع بيانات لكل هجوم محتمل في المستقبل. فهي توفر حلاً قابلاً للتطبيق لأنظمة الإنذار المبكر ضد تهديدات "اليوم صفر".
• التفسير الهندسي: من خلال تصور مساحة الميزات حيث تُدفع الفئات المعروفة إلى الحواف وتشغل المجاهيل المركز، يقدم النموذج تفسيراً هندسياً واضحاً لكيفية اكتشاف التهديدات غير المعروفة.
• أداء رائد (State-of-the-Art): تظهر النتائج أن RPM-Net تتفوق بشكل كبير على طرق التعرف على المجموعة المفتوحة الحالية في كل من دقة الهجمات المعروفة والحساسية للتهديدات غير المعروفة، مما يجعلها مرشحاً قوياً للنشر في البنية التحتية الحديثة للأمن السيبراني.