Boundary-Seeking GAN-Augmented TabTransformer for Adversarially Robust Intrusion Detection
Dieses Paper schlägt ein BGAN-erweitertes TabTransformer-Framework vor, das gleichzeitig Klassenimbalanz und adversarieller Anfälligkeit in der Intrusion Detection durch die Generierung synthetischer Minderheits- und adversarieller Stichproben entgegenwirkt, was zu signifikant verbesserten Macro-F1-Scores und einer Robustheit gegenüber Angriffen auf den CICIDS2017-Datensatz führt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet als eine riesige, geschäftige Stadt vor, in der Daten wie Autos auf endlosen Autobahnen fließen. Um diese Stadt sicher zu halten, haben wir Sicherheitswächter namens Intrusion Detection Systems (IDS). Diese Wächter beobachten den Verkehr und suchen nach schlechten Fahrern, die versuchen, Autos zu rammen, Pakete zu stehlen oder Chaos zu stiften. Lange Zeit verließen sich diese Wächter auf Regelbücher: „Wenn ein Auto rot aussieht, halte es an.“ Aber schlechte Fahrer sind clever; sie ändern ihre Farben oder fahren in seltsamen Mustern, um an den Regeln vorbeizuschlüpfen. Deshalb haben wir angefangen, unsere Wächter zu lehren, aus Erfahrung zu lernen, mithilfe von Machine Learning, einer Art Computergehirn, das klüger wird, je mehr es sieht.
Es gibt jedoch zwei große Probleme mit diesen smarten Wächtern. Erstens ist die Stadt hauptsächlich mit guten Fahrern gefüllt, und schlechte Fahrer sind selten. Es ist, als würde man versuchen, einem Schüler beizubringen, einen Tiger zu erkennen, wenn man ihm nur ein einziges Bild eines Tigers zeigt und eine Million Bilder von Hauskatzen. Der Schüler wird verwirrt sein und denken, dass jede Katze ein Tiger ist, oder schlimmer noch, er übersieht den Tiger komplett. Dies nennt man „Class Imbalance“ (Klassenimbalance). Zweitens werden die schlechten Fahrer immer hinterlistiger. Sie können „Adversarial Attacks“ (adversarielle Angriffe) nutzen, was wie winzige, fast unsichtbare Stöße an ihren Autos ist, die das Computergehirn austricksen, damit es denkt, ein Tiger sei nur eine Hauskat cat. Wenn ein Wächter diese hinterlistigen Stöße noch nicht gesehen hat, könnte er völlig versagen. Wissenschaftler versuchen, Wächter zu bauen, die sowohl gut darin sind, seltene Tiger zu entdecken, als auch robust genug, um die hinterlistigen Stöße zu ignorieren.
Dieses Paper stellt ein neues, super-smartes Wächtersystem namens BGAN-augmented TabTransformer vor. Denken Sie an dies als ein Zwei-in-ein-Trainingsprogramm für unsere Sicherheitswächter. Der erste Teil verwendet ein spezielles Werkzeug namens Boundary-Seeking GAN (BGAN). Stellen Sie sich einen Meisterfälscher vor, der nicht nur gefälschte Kopien seltener Tiger erstellt; stattdessen erschafft dieser Fälscher perfekt hinterlistige Fake-Tiger, die fast exakt an der Grenze zwischen einem Tiger und einer Hauskatze liegen. Indem er dem Wächter diese kniffligen „Grenzfall“-Beispiele zeigt, lernt der Wächter, echte Tiger viel besser zu erkennen, selbst wenn es sehr wenige echte von ihnen gibt. Dies löst das Problem der „seltenen Tiger“.
Der zweite Teil des Systems ist eine brillante Wendung: Derselbe Fälscher, der die hinterlistigen Trainingsbeispiele erstellt, wird auch dazu verwendet, den Wächter während eines Tests anzugreifen. Es ist, als würde der Fälscher versuchen, den Wächter mit seinen eigenen Fake-Tigern auszutricksen, um zu sehen, ob der Wächter stark genug ist, um zu sagen: „Nein, das ist immer noch ein Tiger!“ Wenn der Wächter diesen Angriffen widerstehen kann, beweist das, dass der Wächter wirklich robust ist. Die Forscher testeten dieses System mit einem massiven Datensatz zum Netzwerkverkehr namens CICIDS2017, der Millionen von Datenflüssen („Flows“) enthält, die verschiedene Arten von Internetverkehr repräsentieren, vom harmlosen Surfen bis hin zu gefährlichen Cyberangriffen wie DDoS und Web-Angriffen.
Die Ergebnisse waren sehr beeindruckend. Als die Forscher ihre neue BGAN-Trainingsmethode verwendeten, sprang die Fähigkeit des Wächters, alle Arten von Angriffen korrekt zu identifizieren (gemessen an einem Score namens Macro-F1), von 82,96 % auf 86,50 %. Die größte Verbesserung lag beim Erkennen von „Web Attacks“, wo der Score von einem wackeligen 0,29 auf ein solides 0,61 sprang. Aber die wahre Magie geschah beim „Härte-Test“. Als sie versuchten, die Wächter zu überlisten, die nicht mit dem BGAN-Fälscher trainiert worden waren, versagten diese Wächter komplett, wobei ihre Leistung um 100 % einbrach. Im Gegensatz dazu überlebten die mit dem BGAN-Fälscher trainierten Wächter nicht nur die Täuschungsversuche, sondern sie wurden unter Druck sogar leicht besser, was eine negative Performance-Abfallrate bedeutet (was heißt, dass sie unter Druck an Leistung gewannen).
Die Forscher prüften auch, ob das System durch harmloses Rauschen, wie etwa das Rauschen eines Radios, verwirrt würde. Sie fanden heraus, dass ihr neues System sehr ruhig blieb und die „False Triggered Rate“ (das versehentliche Ausrufen von „Einbrecher!“, obwohl keiner da war) selbst bei verrauschten Daten niedrig zwischen 1,51 % und 2,92 % blieb. Andere Systeme, wie die älteren „Decision Tree“-Wächter, wurden sehr sprunghaft und lösten bei demselben Rauschen bis zu 49,09 % der Zeit Fehlalarme aus.
Das Paper weist jedoch vorsichtig darauf hin, dass dies kein Allheilmittel für jedes einzelne Problem ist. Das System hatte Schwierigkeiten mit einer spezifischen Art von Angriff namens „Infiltration“, da es nur 29 Beispiele davon in den Trainingsdaten gab – zu wenige, damit der Fälscher daraus lernen konnte, weshalb sie für diesen speziellen Fall einen einfacheren, weniger effektiven Backup-Plan verwenden mussten. Außerdem wurde dieses gesamte Experiment in einer kontrollierten Offline-Laborumgebung mit einem festen Datensatz durchgeführt, nicht in einem live laufenden, beweglichen Internetnetzwerk. Während die Ergebnisse nahelegen, dass die Kombination dieses „Boundary-Seeking“-Trainings mit einer smarten „TabTransformer“-Architektur einen viel härteren und genaueren Sicherheitswächter schafft, schlagen die Autoren vor, dass wir es erst an echtem, lebendem Datenverkehr testen müssen, bevor wir sagen können, dass es bereit für die große Stadt ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.