PLAA: Packet-level Adversarial Attacks in Network Traffic Detection

Resumen Técnico: PLAA: Ataques Adversarios a Nivel de Paquete en la Detección de Tráfico de Red

Planteamiento del Problema
Las Redes Neuronales Profundas (DNN) se despliegan cada vez más en los Sistemas de Detección de Intrusiones basados en Red (NIDS) debido a su alta precisión de clasificación. Sin embargo, estos sistemas son vulnerables a ataques adversarios diseñados para generar tráfico malicioso que evada la detección. Los métodos de ataque adversario existentes a menudo adaptan técnicas de la Visión Computacional (CV) al dominio de los NIDS, pasando por alto las diferencias fundamentales entre los datos de imagen y el tráfico de red. Esta adaptación conduce a dos problemas críticos:

1. Problema de Existencia: Las características del tráfico de red (por ejemplo, longitud promedio de paquete, recuento total de paquetes) son interdependientes. Modificar directamente las características estadísticas a nivel de flujo o añadir perturbaciones sin considerar estas dependencias a menudo resulta en un tráfico que es estadísticamente inválido o imposible de generar en un entorno de red real.
2. Problema de Semántica de Ataque: Las modificaciones adversarias tradicionales pueden lograr evadir la detección, pero destruyen la semántica del ataque original. Por ejemplo, un ataque de Denegación de Servicio (DoS) depende de altas tasas de tráfico; si una modificación adversaria reduce esta tasa para evadir la detección, el tráfico ya no funciona como un ataque DoS.

Las estrategias de mitigación actuales, como el bloqueo de características clave, los ajustes de protocolo post-generación o las transformaciones de vinculación basadas en protocolos, sufren de un rendimiento de ataque restringido, una efectividad reducida o una fuerte dependencia del conocimiento experto y la personalización específica del sistema.

Metodología: PLAA
El artículo propone PLAA (Ataques Adversarios a Nivel de Paquete), un nuevo marco que aborda los problemas de existencia y semántica mediante el cambio del proceso de generación de estadísticas a nivel de flujo hacia características a nivel de paquete. La metodología central emplea un marco de Aprendizaje por Refuerzo (RL), específicamente una arquitectura Actor-Crítico, para construir incrementalmente tráfico adversario.

• Generación a Nivel de Paquete: En lugar de generar directamente características estadísticas a nivel de flujo, el agente genera paquetes uno por uno. Cada paquete se define por cuatro características básicas: Longitud de Cabecera ($h_i$), Longitud de Carga Útil ($p_i$), Intervalo Entre Paquetes ($t_i$) y Banderas ($f_i$). Estas se codifican (mediante normalización o codificación one-hot) y se combinan para formar las características estadísticas a nivel de flujo utilizadas por el NIDS. Este enfoque asegura que el tráfico generado sea inherentemente válido y realizable.
• Estado, Acción y Recompensa:
  • Estado ($S_i$): Las características estadísticas actuales a nivel de flujo derivadas de la secuencia de paquetes generados hasta el momento.
  • Acción ($A_i$): Los parámetros requeridos para generar el siguiente paquete ($h_i, p_i, t_i, f_i$). El espacio de acción está restringido por el conocimiento del protocolo de red para asegurar la validez.
  • Función de Recompensa ($R_i$): Una función de recompensa compuesta guía al agente:
    • Recompensa de Evasión ($r^e_i$): Incentiva que el tráfico sea clasificado erróneamente como benigno minimizando la pérdida de entropía cruzada entre la clase benigna objetivo y la salida del NIDS.
    • Recompensa de Preservación Semántica ($r^s_i$): Penaliza las desviaciones de la semántica del ataque original. Esto incluye mantener la tasa de tráfico (crucial para DoS/Brute Force) y preservar las características de cabecera/carga útil.
• Modelo de Amenaza: El estudio asume un escenario de Caja Gris (GB) donde el atacante no conoce la estructura interna del modelo NIDS ni sus características de entrada, pero puede acceder al sistema para obtener retroalimentación de clasificación.

Contribuciones Clave

1. Análisis de Limitaciones: Los autores proporcionan un análisis profundo de por qué los ataques adversarios actuales adaptados de la CV fallan en los contextos de NIDS, destacando específicamente las deficiencias de "existencia" y "semántica de ataque".
2. Nuevo Enfoque a Nivel de Paquete: PLAA introduce un método de generación secuencial de características a nivel de paquete. Al construir el tráfico paquete por paquete, resuelve fundamentalmente el problema de generar tráfico inválido y preserva la semántica del ataque original mediante restricciones conscientes del protocolo.
3. Validación Empírica: El método se evalúa en múltiples conjuntos de datos (CIC-UNSW-NB15, CIC-DDoS2019, CIC-IDS-2017) y diversos modelos de NIDS (DNN, CNN-LSTM, SVM, LR, KNN, RF).

Resultados Experimentales
El método propuesto fue probado contra seis modelos de NIDS diferentes utilizando cinco tipos de ataques específicos (Slow DoS, Brute Force, Probe, Generic, Fuzzers).

• Éxito de Evasión: PLAA logró una tasa de éxito de evasión (Evasion Rate) promedio del 92.78%. Convirtió con éxito el tráfico malicioso originalmente detectable en tráfico adversario que el NIDS clasificó como benigno en todos los modelos probados.
• Preservación Semántica: El tráfico generado mantuvo la semántica de ataque requerida. Por ejemplo, los ataques Slow DoS mantuvieron sus características de baja tasa, y los ataques Brute Force mantuvieron las tasas altas donde fue necesario.
• Realismo: Se definió una "Puntuación de Anomalía" para medir la desviación del tráfico adversario respecto al tráfico malicioso original en términos de longitud, tiempo y tasa. Los resultados mostraron que, aunque ocurrieron algunas desviaciones (particularmente en la tasa para Slow DoS debido a la necesidad de aumentar la longitud del paquete), el tráfico general se mantuvo realista y consistente con el tipo de ataque.
• Convergencia: El agente de RL demostró convergencia después de aproximadamente 4,000 episodios de entrenamiento, con las recompensas acumuladas estabilizándose.

Significancia y Reivindicaciones
El artículo afirma que PLAA ofrece una solución fundamental a las limitaciones de los ataques adversarios existentes sobre NIDS. Al alejarse de la manipulación directa a nivel de flujo y adoptar un enfoque a nivel de paquete basado en aprendizaje por refuerzo, el método asegura que el tráfico adversario sea tanto realísticamente generable como semánticamente consistente con la intención del ataque original. Los autores enfatizan que su trabajo se centra en la metodología teórica para generar dicho tráfico, validada a través de extensos experimentos basados en conjuntos de datos. Reconocen que el trabajo futuro deberá transicionar de la evaluación basada en conjuntos de datos hacia escenarios de tráfico de red malicioso del mundo real para validar aún más su aplicabilidad práctica.