Defending Network Intrusion Detection Systems Based on Graph Neural Networks Against Structural Adversarial Attacks
تقترح هذه الورقة إطار عمل للتدريب الخصومي يعزز أنظمة كشف التسلل في الشبكات القائمة على الشبكات العصبية الرسومية ضد الهجمات الهيكلية من خلال توليد عينات خصمية عبر الاستبدال الاستراتيجي للعقد، مما يظهر تحسناً في المتانة وأداء الكشف على مجموعتي بيانات CTU-13 وTON-IoT.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في العالم الرقمي، يشبه تدفق المعلومات مدينة شاسعة ونابضة بالحياة. فكلما أرسل حاسوب رسالة إلى آخر، فإنه يترك أثراً، اتصالاً بين نقطتين. لطالما اعتمدت الأنظمة الأمنية المصممة لمراقبة هذه المدن الرقمية على عدّ سمات الرسائل الفردية: مدة بقائها، وكمية البيانات التي تحملها، ومصدر نشوئها. ومع ذلك، بدأت جيل جديد من الأدوات الأمنية في النظر إلى المدينة ككل. فبدلاً من مجرد فحص السيارات المنفردة، تدرس هذه الأنظمة خريطة شبكة الطرق بأكملها، مدركة أن نمط الروابط بين المباني غالباً ما يكشف عن التهديد أكثر مما تفعل السيارة نفسها. يستخدم هذا النهج نوعاً من الذكاء الاصطناعي الذي يعامل حركة مرور الشبكة كشبكة من النقاط المترابطة، مما يسمح له برصد الهجمات المعقدة ومتعددة الخطوات التي قد تغفل عنها الأنظمة الأبسط. ومع ذلك، تماماً كما يمكن خداع مخطط المدينة عبر إضافة طريق وهمي مفاجئ إلى الخريطة، فإن هذه الأنظمة المتقدمة لديها نقطة ضعف خفية؛ فإذا استطاع المهاجم تغيير الروابط في الشبكة ببراعة، يمكنه إرباك النظام، مما يؤدي إلى تفويته لعملية اختراق خطيرة.
لقد عكف باحثون من إيطاليا وإسبانيا على إصلاح هذه الثغرة. فقد ركزوا على نوع محدد من الذكاء الاصطناعي يُعرف باسم "الشبكة العصبية الرسومية" (Graph Neural Network)، وهي بارعة بشكل خاص في فهم هذه الشبكات المترابطة. وبينما تتميز هذه الشبكات بالقوة ضد المهاجمين الذين يحاولون التلاعب بتفاصيل رسالة واحدة، إلا أنها هشة بشكل مفاجئ عندما يقوم خصم بتغيير هيكل الشبكة نفسها. فعلى سبيل المثال، يمكن للمهاجم السيطرة على حاسوب هادئ ونادر الاستخدام وإجباره على إرسال رسائل تبدو غير ضارة إلى حواسيب أخرى عشوائية. هذا الإجراء يخلق روابط وهمية جديدة في خريطة الشبكة. وبالنسبة للذكاء الاصطناعي، تبدو هذه الروابط الجديدة كحركة مرور طبيعية، لكنها تشوه الشكل العام للشبكة بما يكفي لإخفاء هجوم حقيقي. وقد وجد الباحثون أنه بدون حماية، يمكن لهذه الحيل الهيكلية أن تتسبب في فشل النظام الأمني بشكل شبه كامل، حيث يفشل في رصد ما يصل إلى تسعين بالمائة من التهديدات التي صُمم لاكتشافها.
ولبناء دفاع، طور الفريق طريقة تدريب تعلم الذكاء الاصطناعي كيفية التعرف على هذه الحيل قبل وقوعها. لم يحاولوا ترقيع البرمجيات أو تغيير بنيتها الداخلية، بل قاموا بتغيير الطريقة التي يتعلم بها النظام. وفي عملية تشبه تدريب رجال الإطفاء من خلال الممارسة باستخدام حرائق مُسيطر عليها، قام الباحثون بتغذية النظام الأمني بمزيج من البيانات الطبيعية وسيناريوهات وهمية صيغت بعناية. لقد أخذوا الآلاف من رسائل الشبكة اليومية غير الضارة وعدلوها ببراعة؛ حيث أبقوا على محتوى الرسائل كما هو تماماً، لكنهم غيروا نقاط البداية والنهاية، ونقلوها إلى حواسيب كانت بالكاد متصلة ببقية الشبكة. خلق هذا مجموعة جديدة من أمثلة التدريب حيث بدا هيكل الشبكة مختلفاً قليلاً، مما يحاكي نوع التلاعب الذي قد يستخدمه المهاجم. ومن خلال تعريض النظام لهذه الأنماط المعدلة خلال مرحلة التعلم، أجبروا النظام على أن يصبح أقل اعتماداً على الشكل المحدد للشبكة وأكثر تركيزاً على المحتوى الفعلي لحركة المرور.
كانت نتائج هذا التدريب مذهلة. فقد اختبر الباحثون نظامهم المحصن على مجموعتين كبيرتين من بيانات الشبكة الواقعية، إحداهما من جامعة والأخرى من مجموعة متنوعة من أجهزة الإنترنت. وعندما أخضعوا النظام المدرب لنفس الهجمات الهيكلية التي هزمت النسخ غير المدربة سابقاً، كان التحسن دراماتيكياً. ففي الحالات الأكثر نجاحاً، قفزت قدرة النظام على اكتشاف الهجمات تحت الهجوم الشديد من الفشل شبه التام إلى معدل نجاح يتجاوز تسعين بالمائة. لقد تعلم النظام تجاهل ضجيج الاتصالات الوهمية والتركيز على الإشارة الحقيقية للتهديد. والأهم من ذلك، أن هذه الحماية لم تأتِ على حساب الأداء؛ فعندما تم اختبار النظام على حركة مرور طبيعية وغير معدلة، كان أداؤه جيداً كما كان من قبل، وفي بعض الحالات، كان أفضل قليلاً. لم يجعل التدريب النظام مرتبكاً أو بطيئاً، بل جعله أكثر صلابة فحسب.
يبرهن هذا العمل على أن أفضل طريقة للدفاع عن نظام ضد التلاعب الهيكلي هي تعليمه توقع غير المتوقع. فمن خلال محاكاة الطرق المحددة التي قد يحاول بها المهاجم تشويه خريطة الشبكة، خلق الباحثون أداة أمنية مرنة تجاه الخداع الواقعي. وتؤكد الدراسة أنه بينما تعد أجهزة كشف الشبكة المتقدمة هذه قوية، إلا أنها تتطلب نوعاً معيناً من الإعداد للنجاة في بيئة معادية. إن الطريقة التي اقترحوها عملية وفعالة، حيث تعتمد على البيانات التي يمتلكها النظام بالفعل بدلاً من طلب أجهزة جديدة باهظة الثمن أو معرفة مستحيلة بالهجمات المستقبلية. إنها تقدم مساراً واضحاً نحو تأمين مدن المستقبل الرقمية، وضمان أن تظل الخرائط التي نعتمد عليها لرؤية الخطر دقيقة، حتى عندما يحاول شخص ما إعادة رسم الخطوط.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.