Robust Unsupervised Network Intrusion Detection via Federated Learning with Selective Aggregation under Anomalous Sample Contamination

Imagina el internet como una ciudad enorme y bulliciosa donde miles de millones de pequeños dispositivos —neveras inteligentes, cámaras de seguridad y sensores de fábricas— charlan entre sí cada segundo. Esto es el Internet de las Cosas (IoT). Si bien esta conectividad hace la vida más fácil, también convierte a cada dispositivo en una puerta de entrada potencial para los ladrones digitales. Para mantener la ciudad segura, los guardias de seguridad llamados Sistemas de Detección de Intrusiones de Red (NIDS) escanean constantemente el tráfico en busca de comportamientos sospechosos. Tradicionalmente, estos guardias aprenden cómo es lo "normal" estudiando una biblioteca de ejemplos etiquetados, como una academia de policía con un expediente sobre cada criminal conocido. Pero en el mundo real, nuevos tipos de malware aparecen más rápido de lo que nadie puede etiquetarlos, y pedir una lista perfecta y limpia de tráfico "bueno" es como pedir una biblioteca con cero errores tipográficos.

Aquí es donde entra en juego el "aprendizaje no supervisado". En lugar de necesitar a un maestro que señale a los malos, estos sistemas intentan aprender la forma del comportamiento normal por su cuenta y señalar cualquier cosa que parezca extraña. Sin embargo, hay un inconveniente: ¿qué pasa si la biblioteca misma ya está contaminada? ¿Qué pasa si el tráfico "normal" que el sistema está estudiando incluye secretamente algunos dispositivos infectados? Si el sistema aprende de estos datos sucios, podría empezar a pensar que el malware es en realidad normal, dejando la ciudad totalmente abierta. El artículo que vas a leer aborda exactamente este problema: cómo construir un guardia de seguridad que se mantenga alerta incluso cuando los datos de entrenamiento están secretamente envenenados por unos pocos actores maliciosos, utilizando un truco ingenioso que involucra el trabajo en equipo y un poco de trabajo detectivesco matemático.

---

El pozo contaminado y la solución del trabajo en equipo

En el mundo de la ciberseguridad, imagina que estás tratando de enseñarle a un robot a detectar una moneda falsa. Le das un cubo de monedas para estudiar, esperando que todas sean reales. Pero, sin que tú lo sepas, se han colado algunas monedas falsas. Si el robot estudia demasiadas de estas falsificaciones, podría empezar a pensar: "¡Ah, esta forma extraña es en realidad normal!" y fallar al detectar las falsificaciones reales más tarde. Este es el problema de la "contaminación de muestras anómalas". En el mundo real, cuando recolectamos tráfico de red de miles de dispositivos IoT para entrenar nuestra IA de seguridad, algunos de esos dispositivos podrían estar ya infectados. No podemos distinguir fácilmente cuáles son, por lo que los datos "limpios" que creemos tener son en realidad una mezcla de bueno y malo.

Los autores de este artículo, Shohei Kamiguchi y Takayuki Nishio, proponen una solución llamada FLANDRE (Detección y Eliminación de Nodos Anómalos asistida por Aprendizaje Federado). Su gran idea es dejar de intentar mezclar todos los datos en un solo cubo gigante y, en su lugar, permitir que los dispositivos entrenen sus propios modelos pequeños localmente, para luego compartir solo sus "lecciones aprendidas" (actualizaciones matemáticas) con un servidor central. Este enfoque se llama Aprendizaje Federado.

Normalmente, la gente piensa que el Aprendizaje Federado trata solo sobre la privacidad, es decir, mantener los datos fuera de un servidor central. Pero los autores descubrieron un superpoder secreto en él. Se dieron cuenta de que en un equipo de 100 dispositivos, si solo unos pocos (digamos, el 10%) están infectados, los datos "malos" son una minoría diminuta. En el Aprendizaje Federado estándar, el servidor central promedia las actualizaciones de todos. Debido a que los dispositivos infectados son tan pocos, sus lecciones extrañas y "envenenadas" se ven ahogadas por los cientos de dispositivos "buenos". Es como intentar cambiar el sabor de una olla gigante de sopa añadiendo una sola gota de salsa picante; la sopa sigue siendo mayormente suave. Los autores decidieron aprovechar esta debilidad de que "la minoría es ignorada" y convertirla en una fortaleza.

El juego de detective: Encontrando las manzanas podridas

Sin embargo, el simple promedio de las actualizaciones no es suficiente si los dispositivos malos son muy ruidosos o si la contaminación es alta. Por ello, FLANDRE añade una segunda capa de defensa: un mecanismo de Agregación Selectiva. Piensa en el servidor central como un detective que sostiene un mapa de dónde se encuentra cada uno.

Así es como trabaja el detective:

1. El calentamiento: Primero, el servidor deja que todos entrenen durante un tiempo.
2. La comprobación de distancia: El servidor observa cuánto ha cambiado el nuevo modelo de cada dispositivo en comparación con el modelo "promedio" del grupo.
3. La agrupación (Clustering): Utilizando una herramienta matemática llamada algoritmo de Esperanza-Maximización (EM), el servidor agrupa los dispositivos en dos grupos basados en qué tan lejos están sus modelos del centro.
   • Grupo A: Los "Buenos". Sus modelos están cerca del promedio porque todos están aprendiendo de tráfico normal.
   • Grupo B: Los "Malos". Sus modelos se han desviado lejos porque están intentando aprender de datos infectados y extraños.
4. El corte: El servidor simplemente ignora a los "Malos" (Grupo B) y solo utiliza las actualizaciones de los "Buenos" (Grupo A) para actualizar el modelo global principal.

Es como un profesor que nota que algunos estudiantes están intentando resolver un problema matemático usando un método completamente diferente (y erróneo). En lugar de dejar que esos pocos estudiantes confundan a toda la clase, el profesor les pide discretamente que se sienten fuera de la discusión grupal, asegurando que la respuesta final se base únicamente en la lógica correcta.

Lo que encontraron en el laboratorio

Los autores probaron esta idea en tres conjuntos de datos de ciberseguridad famosos: ToN IoT, CSE-CIC-IDS2018 y NF-UQ-NIDS-v2. Simularon un escenario donde del 10% al 40% del total de los datos de entrenamiento eran en realidad maliciosos, ocultos dentro de los conjuntos de datos de algunos dispositivos comprometidos.

Los resultados fueron impresionantes. Cuando compararon FLANDRE con otros métodos:

• Entrenamiento Centralizado Estándar: Cuando mezclaron todos los datos juntos (incluso las partes malas) y entrenaron un gran modelo, el rendimiento cayó signific的に. Por ejemplo, en el conjunto de datos IDS2018, la puntuación F1 (una medida de precisión) cayó a 0.590.
• Competidores de vanguardia: Probaron contra un método de alto nivel llamado LOE-S, que intenta separar matemáticamente los datos buenos de los malos. LOE-S obtuvo 0.586 en el mismo conjunto de datos, apenas mejor que el enfoque estándar.
• FLANDRE: Su nuevo método obtuvo 0.823 en IDS2018, 0.969 en ToN IoT y 0.838 en NF-UQ-NIDS.

Crucialmente, las puntuaciones de FLANDRE fueron casi idénticas al escenario "Ideal": un mundo perfecto donde los datos de entrenamiento eran 100% limpios desde el principio. En el conjunto de datos ToN IoT, FLANDRE estuvo a solo 0.004 puntos de la puntuación ideal, mientras que los otros métodos se quedaron muy atrás. Esto sugiere que, al filtrar a los clientes sospechosos, FLANDRE puede esencialmente "desenvenenar" el proceso de entrenamiento.

También probaron cómo el sistema maneja diferentes niveles de infección. Incluso cuando la cantidad de datos malos en la red aumentó, FLANDRE se mantuvo estable. Curiosamente, descubrieron que si los dispositivos infectados tenían una cantidad de datos malos muy alta (como que el 80% de sus archivos locales eran malware), el sistema seguía funcionando bien, pero si la infección era muy sutil, una variante específica de su método (llamada FLANDRE-R, que utiliza una medición diferente) tuvo un poco más de dificultades. Sin embargo, el método principal FLANDRE se mantuvo robusto en todos los casos.

La conclusión

Este artículo no pretende haber resuelto todos los problemas de ciberseguridad, pero ofrece una forma ingeniosa y práctica de manejar un problema muy real: entrenar una IA con datos que podrían estar secretamente corrompidos. Al utilizar el Aprendizaje Federado no solo para la privacidad, sino para suprimir naturalmente la influencia de unos pocos actores maliciosos, y luego añadir un paso de "detective" para expulsar a los valores atípicos, los autores crearon un sistema que aprende lo que la "normalidad" realmente significa, incluso cuando el aula está llena de embaucadores.

En sus simulaciones, FLANDRE demostró que no es necesario saber exactamente qué dispositivos están infectados para proteger la red. Solo necesitas dejar que la mayoría vote y tener el valor de ignorar a la minoría ruidosa. Es un recordatorio de que, a veces, la mejor manera de encontrar la verdad es dejar de escuchar a las personas que intentan confundirte.