💻 computer science

Boundary-Seeking GAN-Augmented TabTransformer for Adversarially Robust Intrusion Detection

Este artículo propone un marco de trabajo TabTransformer aumentado con BGAN que aborda simultáneamente el desequilibrio de clases y la vulnerabilidad adversaria en la detección de intrusiones mediante la generación de muestras minoritarias sintéticas y adversarias, lo que resulta en una mejora significativa de las puntuaciones Macro-F1 y de la robustez contra ataques en el conjunto de datos CICIDS2017.

Autores originales: Raihan Sultan Pasha Basuki, Aliyah Kurniasih

Publicado 2026-07-21

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Raihan Sultan Pasha Basuki, Aliyah Kurniasih

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el internet como una ciudad enorme y bulliciosa donde los datos fluyen como coches en autopistas interminables. Para mantener segura esta ciudad, tenemos guardias de seguridad llamados Sistemas de Detección de Intrusiones (IDS). Estos guardias vigilan el tráfico, buscando a malos conductores que intentan chocar coches, robar paquetes o causar el caos. Durante mucho tiempo, estos guardias dependieron de libros de reglas: "Si un coche parece rojo, deténlo". Pero los malos conductores son astutos; cambian sus colores o conducen con patrones extraños para escabullirse de las reglas. Así que empezamos a enseñar a nuestros guardias a aprender de la experiencia usando el Aprendizaje Automático (Machine Learning), un tipo de cerebro de computadora que se vuelve más inteligente cuanto más ve.

Sin embargo, hay dos grandes problemas con estos guardias inteligentes. Primero, la ciudad está llena principalmente de buenos conductores, y los malos conductores son raros. Es como intentar enseñarle a un estudiante a reconocer un tigre cuando solo le muestras una foto de un tigre y un millón de fotos de gatos domésticos. El estudiante se confunde y piensa que cada gato es un tigre, o peor, se le pasa el tigre por completo. Esto se llama "desequilibrio de clases" (class imbalance). Segundo, los malos conductores se están volviendo más escurridizos. Pueden usar "ataques adversarios", que son como pequeños empujoncitos, casi invisibles, a sus coches que engañan al cerebro de la computadora para que piense que un tigre es solo un gato doméstico. Si un guardia no ha visto estos empujoncitos truculentos antes, podría fallar por completo. Los científicos están tratando de construir guardias que sean tanto buenos detectando tigres raros como lo suficientemente resistentes para ignorar los empujoncitos escurridizos.

Este artículo presenta un nuevo sistema de guardia súper inteligente llamado BGAN-augmented TabTransformer. Piensa en esto como un programa de entrenamiento de dos en uno para nuestros guardias de seguridad. La primera parte utiliza una herramienta especial llamada Boundary-Seeking GAN (BGAN). Imagina a un maestro falsificador que no solo hace copias falsas de tigres raros; en su lugar, este falsificador crea tigres falsos perfectamente truculentos que se ven casi exactamente como la línea entre un tigre y un gato doméstico. Al mostrarle al guardia estos ejemplos "limítrofes" o de frontera, el guardia aprende a detectar mejor a los tigres reales, incluso cuando hay muy pocos tigres reales para empezar. Esto resuelve el problema del "tigre raro".

La segunda parte del sistema es un giro brillante: el mismo falsificador que crea los ejemplos de entrenamiento truculentos también se utiliza para atacar al guardia durante una prueba. Es como si el falsificador intentara engañar al guardia con sus propios tigres falsos para ver si el guardia es lo suficientemente fuerte como para decir: "¡No, eso sigue siendo un tigre!". Si el guardia puede resistir estos ataques, demuestra que el guardia es verdaderamente robusto. Los investigadores probaron este sistema en un enorme conjunto de datos de tráfico de red llamado CICIDS2017, que contiene millones de "flujos" de datos que representan diferentes tipos de tráfico de internet, desde la navegación inofensiva hasta ciberataques peligrosos como DDoS y Ataques Web.

Los resultados fueron bastante impresionantes. Cuando los investigadores usaron este nuevo método de entrenamiento BGAN, la capacidad del guardia para identificar correctamente todos los tipos de ataques (medida por una puntuación llamada Macro-F1) saltó del 82.96% al 86.50%. La mayor mejora fue en la detección de "Ataques Web", donde la puntuación pasó de un débil 0.29 a un sólido 0.61. Pero la verdadera magia ocurrió durante la "prueba de resistencia". Cuando intentaron engañar a los guardias que no habían sido entrenados con el falsificador BGAN, esos guardias fallaron por completo, con su rendimiento cayendo un 100%. En contraste, los guardias entrenados con el falsificador BGAN no solo sobrevivieron a los trucos, sino que de hecho se volvieron ligeramente mejores detectando los ataques, mostrando una tasa de caída de rendimiento negativa (lo que significa que mejoraron bajo presión).

Los investigadores también comprobaron si el sistema se confundiría con el ruido inofensivo, como la estática de una radio. Descubrieron que su nuevo sistema se mantenía muy tranquilo, con una "Tasa de Disparo Falso" (gritar accidentalmente "¡Intruso!" cuando no lo hay) manteniéndose baja entre el 1.51% y el 2.92%, incluso cuando los datos tenían ruido. Otros sistemas, como los guardias de "Árbol de Decisión" más antiguos, se volvieron muy nerviosos y empezaron a dar falsas alarmas hasta el 49.09% de las veces cuando se añadía el mismo ruido.

Sin embargo, el artículo tiene cuidado en señalar que esto no es una solución mágica para cada uno de los problemas. El sistema tuvo dificultades con un tipo específico de ataque llamado "Infiltración" porque solo había 29 ejemplos de él en los datos de entrenamiento; eran demasiado pocos para que el falsificador aprendiera, por lo que tuvieron que usar un plan de respaldo más simple y menos efectivo para ese caso específico. Además, todo este experimento se realizó en un entorno de laboratorio controlado y fuera de línea utilizando un conjunto de datos fijo, no en una red de internet viva y en movimiento. Aunque los resultados sugieren que combinar este entrenamiento de "búsqueda de fronteras" con una arquitectura "TabTransformer" inteligente crea un guardia de seguridad mucho más resistente y preciso, los autores sugieren que necesitamos probarlo en tráfico real y en vivo antes de poder decir que está listo para la gran ciudad.

Resumen Técnico: TabTransformer aumentado con BGAN de búsqueda de fronteras para la detección de intrusiones con robustez adversaria

Planteamiento del problema
Los Sistemas de Detección de Intrusiones (IDS) basados en aprendizaje automático se enfrentan a dos desafíos críticos en los entornos de red modernos: un desequilibrio severo de clases y la vulnerabilidad ante ataques adversarios. En conjuntos de datos como CICIDS2107, el tráfico benigno supera ampliamente al tráfico de ataque (por ejemplo, las muestras de Infiltración constituyen una fracción minúscula), lo que lleva a los modelos a sesgarse hacia la clase mayoritaria. Además, aunque los modelos pueden lograr una alta precisión en datos limpios, suelen colapsar cuando se presentan entradas sutilmente manipuladas diseñadas para evadir la detección. La investigación existente suele abordar estos problemas por separado: se utilizan Redes Generativas Antagónicas (GAN) para el aumento de datos para corregir el desequilibrio, mientras que la robustez se evalúa habitualmente mediante marcos distintos. Ningún marco existente combina un clasificador tabular de autoatención con un único modelo generativo que sirva simultáneamente como motor de aumento de clases minoritarias y como generador de muestras adversarias para la evaluación de la robustez.

Metodología
Los autores proponen un marco de doble propósito que integra una Red Generativa Antagónica de Búsqueda de Fronteras (BGAN) con un clasificador TabTransformer.

Conjunto de datos y preprocesamiento: El estudio utiliza el conjunto de datos CICIDS2017, que comprende aproximadamente 2,8 millones de flujos a través de ocho clases. Los datos se preprocesan para extraer 78 características estadísticas de flujo (por ejemplo, conteos de paquetes, duración, banderas TCP). El conjunto de entrenamiento se somete a una división estratificada (80:20), donde el tráfico benigno se submuestrea a 200.000 muestras para reducir su dominancia, mientras que el conjunto de prueba mantiene las proporciones originales.
Aumento mediante BGAN: A diferencia de las GAN estándar que generan muestras en toda la distribución, la BGAN se entrena para generar muestras cerca de la frontera de decisión entre las clases benignas y maliciosas. Esto se logra utilizando un peso de importancia $w(x) = D(x) / (1 - D(x))$ $w (x) = D (x) / (1 - D (x))$ , enfatizando las muestras ambiguas donde la salida del discriminador es cercana a 0,5.
- Doble función: La BGAN entrenada genera muestras sintéticas para aumentar las clases minoritarias (Botnet, Web_Attack, Infiltration) y, simultáneamente, genera muestras adversarias para poner a prueba la robustez del clasificador.
- Gestión del desequilibrio extremo: Para la clase Infiltration, que solo contaba con 29 muestras de entrenamiento, la BGAN no logró converger (distancia de Wasserstein > 8,0). Por consiguiente, se utilizó un fallback de ruido Gaussiano para esta clase específica en el escenario "Mixed", mientras que Botnet y Web_Attack fueron aumentadas con muestras generadas por BGAN hasta alcanzar las 6.000 cada una.
Clasificador TabTransformer: El modelo de clasificación emplea TabTransformer, el cual utiliza mecanismos de autoatención para modelar las relaciones entre las características tabulares directamente, en lugar de tratarlas de forma independiente. El modelo procesa 78 características continuas mediante embeddings y dos bloques Transformer antes de que una cabeza de perceptrón multicapa produzca la clasificación final.
Métricas de evaluación: El rendimiento se mide mediante Exactitud (Accuracy), Precisión, Recall y Macro-F1. La robustez adversaria se cuantifica mediante:
- Tasa de caída de rendimiento (PDR): La degradación relativa en la puntuación F1 cuando las muestras de prueba limpias son reemplazadas por muestras adversarias generadas por BGAN.
- Tasa de disparo falso (FTR): La tasa en la que las muestras benignas son clasificadas erróneamente tras la adición de pequeñas perturbaciones Gaussianas.

Contribuciones clave

Marco de doble propósito: El artículo introduce un marco unificado donde un único modelo BGAN aborda tanto el desequilibrio de clases (vía aumento) como la evaluación de la robustez (vía generación de muestras adversarias), una combinación no lograda previamente en IDS basados en flujo.
Extensión a condiciones adversarias multiclasas: El trabajo extiende la investigación previa de IDS basada en TabTransformer desde la clasificación binaria hacia escenarios de múltiples clases bajo condiciones adversarias.
Robustez cuantificada: El estudio proporciona una evaluación rigurosa de la robustez utilizando PDR y FTR, demostrando que el aumento puede convertir a los modelos de ser completamente vulnerables (100% de caída de rendimiento) a ser resilientes.

Resultados

Rendimiento de clasificación: En el conjunto de datos CICIDS2017, el TabTransformer aumentado con BGAN mejoró la puntuación Macro-F1 del 82,96% (Línea base) al 86,50%. La mejora más significativa se observó en la clase Web_Attack, donde la puntuación F1 aumentó de 0,29 a 0,61. Aunque Random Forest y Decision Tree lograron puntuaciones Macro-F1 generales más altas en datos limpios (aprox. 96%), no igualaron la robustez del TabTransformer aumentado.
Robustez adversaria (PDR):
- Modelos de línea base: Todos los modelos sin aumento experimentaron una Tasa de Caída de Rendimiento del 100% bajo pruebas adversarias, lo que indica un fallo total contra ataques adyacentes a la frontera.
- Modelos aumentados: Todos los modelos aumentados con BGAN (excepto el escenario Mixed para Infiltration) lograron valores de PDR negativos, lo que significa que su rendimiento se mantuvo o mejoró bajo ataque. Por ejemplo, el TabTransformer alcanzó un PDR de -24,75% para Botnet y -9,80% para Infiltration.
Resiliencia al ruido (FTR): El TabTransformer con aumento completo de BGAN mantuvo una Tasa de Disparo Falso estable y baja (1,51%–2,92%) a través de varios niveles de ruido. En contraste, los árboles de decisión aumentados con BGAN vieron cómo su FTR se disparaba al 49,09% bajo perturbaciones benignas, indicando que los datos de GAN pueden desestabilizar los modelos basados en árboles.

Significado y afirmaciones
Los autores afirman que el marco propuesto BGAN-TabTransformer proporciona una solución efectiva y adaptativa para la detección de intrusiones en entornos de red adversarios. El estudio demuestra que:

La robustez es alcanzable: La exposición a muestras sintéticas de búsqueda de fronteras durante el entrenamiento cambia fundamentalmente el comportamiento del modelo, evitando el colapso total visto en los modelos no aumentados.
La arquitectura importa: El mecanismo de autoatención del TabTransformer, combinado con datos de entrenamiento de la región de frontera, produce una generalización y resiliencia superiores en comparación con los modelos basados en árboles o MLPs estándar, que son más susceptibles al sobreajuste de firmas específicas del generador o del ruido.
Utilidad dual: Un único modelo generativo puede servir eficazmente tanto como herramienta de aumento de datos para clases raras como un mecanismo riguroso de pruebas de estrés para la seguridad del modelo.

El artículo concluye con limitaciones modestas, señalando que la clase Infiltration sigue siendo difícil de modelar debido a su extrema escasez (requiriendo aprendizaje de pocos disparos o few-shot learning en el futuro), la precisión de Web_Attack sigue siendo baja debido al solapamiento de características, y la evaluación está actualmente limitada a entornos controlados fuera de línea en lugar de un despliegue de red en vivo.

Más como este