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

1. Planteamiento del Problema

La detección efectiva de amenazas de seguridad cibernética desconocidas en entornos con desequilibrio de clases múltiples es un desafío crítico. Los métodos actuales presentan varias limitaciones:

• Enfoque binario simplista: Muchas técnicas entrenan solo tráfico normal o un solo tipo de ataque como muestra positiva, lo cual es insuficiente dada la diversidad de ataques reales (DDoS, escaneo de puertos, malware, etc.).
• Suposición de equilibrio: Los métodos multiclase asumen distribuciones de clases equilibradas, lo que contradice la realidad de las redes donde las frecuencias de ataque varían significativamente.
• Falta de interpretabilidad y generalización: Las técnicas existentes a menudo carecen de mecanismos eficientes para manejar las relaciones entre clases conocidas y construir espacios de características que acomoden naturalmente a las clases de amenazas desconocidas (reconocimiento de conjunto abierto o Open Set Recognition - OSR).
• Sobrecerteza: Los clasificadores tradicionales tienden a hacer predicciones excesivamente seguras sobre amenazas desconocidas, tratándolas erróneamente como ataques conocidos.

2. Metodología Propuesta: RPM-Net

Los autores proponen RPM-Net, un marco novedoso de reconocimiento de conjunto abierto que integra tres componentes principales para abordar las clases desequilibradas y detectar amenazas desconocidas sin necesidad de muestras de estas últimas durante el entrenamiento.

A. Mecanismo de Puntos Recíprocos (Reciprocal Points)

En lugar de aprender solo la representación de "qué es una clase", el modelo aprende una representación de "qué no es una clase" para cada categoría de ataque conocida.

• Para cada clase conocida $k$, se define un punto recíproco $P_k$ en el espacio de características.
• Este punto actúa como el centro de una región que no debe contener muestras de la clase $k$.
• La distancia entre una incrustación (embedding) $z$ y su punto recíproco $P_k$ se calcula combinando la distancia euclidiana normalizada y la similitud coseno. Esta distancia determina el logit de clasificación.

B. Restricciones de Margen Adversarial

Se introducen parámetros de margen aprendibles ($R_k$) para crear regiones de límites adaptables.

• Estas restricciones empujan las muestras de ataques conocidos hacia la periferia del espacio de características, manteniéndolas dentro de una distancia $R_k$ de sus respectivos puntos recíprocos.
• Esto crea un "espacio abierto" central en el espacio de características donde las amenazas desconocidas pueden residir naturalmente, mitigando el problema del desequilibrio de clases.

C. Regularización Discriminante de Fisher (RPM-Net++)

Para mejorar la versión base, se añade una regularización basada en el criterio de Fisher discriminante.

• Objetivo: Maximizar la relación entre la dispersión inter-clase y la dispersión intra-clase.
• Efecto: Aumenta la compacidad dentro de cada clase conocida y la separabilidad entre diferentes clases, mejorando la discriminación general.

D. Función de Pérdida y Entrenamiento

El entrenamiento optimiza una función de pérdida total que combina:

1. Pérdida de Entropía Cruzada ($L_{CE}$): Basada en las distancias a los puntos recíprocos.
2. Pérdida de Margen ($L_{margin}$): Para mantener las clases conocidas dentro de sus límites definidos.
3. Pérdida de Fisher ($L_{Fisher}$): Para optimizar la estructura del espacio de características.

Durante la inferencia, si la distancia máxima a cualquier punto recíproco es menor que un umbral $\tau$, la muestra se clasifica como desconocida.

3. Contribuciones Clave

1. Mecanismo de Puntos Recíprocos: Permite la diferenciación efectiva de ataques multiclase aprendiendo representaciones de "clases inciertas" (no-clase).
2. Regularización de Fisher: Mejora la compacidad intra-clase y la separabilidad inter-clase, crucial para entornos desequilibrados.
3. Construcción de Límites Adaptativos: Utiliza restricciones de margen para manejar los desafíos del espacio de características en entornos multiclase desequilibrados sin requerir muestras de la clase desconocida.
4. Estrategia de Entrenamiento Unificada: Logra el reconocimiento de conjunto abierto utilizando únicamente datos de ataques conocidos.

4. Resultados Experimentales

El modelo se evaluó en dos conjuntos de datos de referencia: CICIDS2017 y UNSW-NB15, comparándolo con métodos como Baseline, ODIN, OCN y EVM.

• Rendimiento General: RPM-Net superó consistentemente a los métodos existentes en todas las métricas (F1-score, AUROC, AUPR-OUT).
  • En CICIDS2017, RPM-Net++ alcanzó un F1-score macro de 0.9979 y un AUPR-OUT de 0.6711, superando significativamente a EVM (0.2974 en AUPR-OUT).
  • En UNSW-NB15, logró un F1-score de 0.7955 y un AUPR-OUT de 0.8664.
• Estudio de Ablación: La adición de la regularización de Fisher (RPM-Net++) mejoró el AUROC en un 1.40% y el AUPR-OUT en un 2.88% en CICIDS2017, demostrando que la regularización es efectiva para distinguir entre clases conocidas y desconocidas.
• Robustez: El modelo mantuvo alta precisión en ataques conocidos mientras identificaba eficazmente amenazas nuevas, demostrando su capacidad de generalización.

5. Significado e Impacto

El trabajo de RPM-Net es significativo para la seguridad cibernética práctica por varias razones:

• Viabilidad en Entornos Reales: Aborda directamente el problema del desequilibrio de clases, que es omnipresente en las redes reales, sin necesidad de datos de entrenamiento de amenazas desconocidas (que por definición no existen).
• Interpretabilidad Geométrica: La introducción de puntos recíprocos y márgenes ofrece una interpretación geométrica clara de cómo el modelo separa lo conocido de lo desconocido.
• Aplicabilidad: Ofrece una solución robusta para sistemas de detección de intrusiones (NIDS) que deben operar bajo la suposición de conjunto abierto, proporcionando alertas tempranas ante ataques de día cero (zero-day) y técnicas de evasión sofisticadas.

En conclusión, RPM-Net representa un avance sustancial en la detección de amenazas desconocidas, combinando mecanismos geométricos innovadores con regularización estadística para superar las limitaciones de los enfoques actuales.