PLAA: Packet-level Adversarial Attacks in Network Traffic Detection

Résumé Technique : PLAA : Attaques Adversaires au Niveau des Paquets dans la Détection de Trafic Réseau

Énoncé du Problème
Les réseaux de neurones profonds (DNN) sont de plus en plus déployés dans les systèmes de détection d'intrusion basés sur le réseau (NIDS) en raison de leur haute précision de classification. Cependant, ces systèmes sont vulnérables aux attaques adversaires conçues pour générer un trafic malveillant capable d'échapper à la détection. Les méthodes d'attaque adversaire existantes adaptent souvent des techniques issues de la vision par ordinateur (CV) au domaine des NIDS, négligeant les différences fondamentales entre les données d'image et le trafic réseau. Cette adaptation entraîne deux problèmes critiques :

1. Problème d'existence : Les caractéristiques du trafic de flux (par exemple, la longueur moyenne des paquets, le nombre total de paquets) sont interdépendantes. La modification directe des caractéristiques statistiques au niveau du flux ou l'ajout de perturbations sans tenir compte de ces dépendances produit souvent un trafic statistiquement invalide ou impossible à générer dans un environnement réseau réel.
2. Problème de sémantique d'attaque : Les modifications adversaires traditionnelles peuvent réussir à échapper à la détection mais détruisent la sémantique de l'attaque originale. Par exemple, une attaque par déni de service (DoS) repose sur des taux de trafic élevés ; si une modification adversaire réduit ce taux pour échapper à la détection, le trafic ne fonctionne plus comme une attaque DoS.

Les stratégies d'atténuation actuelles, telles que le verrouillage de caractéristiques clés, les ajustements de protocoles post-génération ou les transformations de liaison basées sur les protocoles, souffrent de performances d'attaque restreintes, d'une efficacité réduite ou d'une forte dépendance aux connaissances d'experts et à l'adaptation spécifique au système.

Méthodologie : PLAA
Le document propose PLAA (Packet-level Adversarial Attacks), un nouveau cadre qui traite les problèmes d'existence et de sémantique en déplaçant le processus de génération des statistiques de flux vers les caractéristiques au niveau des paquets. La méthodologie centrale utilise un cadre d'apprentissage par renforcement (RL), spécifiquement une architecture Acteur-Critique, pour construire de manière incrémentale un trafic adverse.

• Génération au niveau des paquets : Au lieu de générer directement des caractéristiques statistiques de flux, l'agent génère les paquets un par un. Chaque paquet est défini par quatre caractéristiques de base : la longueur de l'en-tête ($h_i$), la longueur de la charge utile ($p_i$), l'intervalle entre les paquets ($t_i$) et les drapeaux ($f_i$). Ces éléments sont encodés (via normalisation ou encodage one-hot) et combinés pour former les caractéristiques statistiques de flux utilisées par le NIDS. Cette approche garantit que le trafic généré est intrinsèquement valide et réalisable.
• État, Action et Récompense :
  • État ($S_i$) : Les caractéristiques statistiques actuelles du flux dérivées de la séquence de paquets générés jusqu'à présent.
  • Action ($A_i$) : Les paramètres requis pour générer le paquet suivant ($h_i, p_i, t_i, f_i$). L'espace des actions est contraint par la connaissance des protocoles réseau pour garantir la validité.
  • Fonction de Récompense ($R_i$) : Une fonction de récompense composite guide l'agent :
    • Récompense d'Évasion ($r^e_i$) : Encourage le trafic à être classé comme bénin en minimant la perte d'entropie croisée entre la classe bénigne cible et la sortie du NIDS.
    • Récompense de Préservation Sémantique ($r^s_i$) : Pénalise les écarts par rapport à la sémantique de l'attaque originale. Cela inclut le maintien du taux de trafic (crucial pour le DoS/Brute Force) et la préservation des caractéristiques d'en-tête et de charge utile.
• Modèle de Menace : L'étude suppose un scénario de boîte grise (Gray-Box - GB) où l'attaquant ne connaît pas la structure interne du modèle NIDS ni ses caractéristiques d'entrée, mais peut accéder au système pour obtenir un retour de classification.

Contributions Clés

1. Analyse des Limites : Les auteurs fournissent une analyse approfondie de la raison pour laquelle les attaques adverses adaptées de la CV échouent dans les contextes NIDS, en soulignant spécifiquement les déficiences d'« existence » et de « sémantique d'attaque ».
2. Nouvelle Approche au Niveau des Paquets : PLAA introduit une méthode de génération séquentielle de caractéristiques au niveau des paquets. En construisant le trafic paquet par paquet, il résout fondamentalement le problème de la génération de trafic invalide tout en préservant la sémantique de l'attaque originale grâce à des contraintes respectant les protocoles.
3. Validation Empirique : La méthode est évaluée sur plusieurs jeux de données (CIC-UNSW-NB15, CIC-DDoS2019, CIC-IDS-2017) et divers modèles NIDS (DNN, CNN-LSTM, SVM, LR, KNN, RF).

Résultats Expérimentaux
La méthode proposée a été testée contre six modèles NIDS différents en utilisant cinq types d'attaques spécifiques (Slow DoS, Brute Force, Probe, Generic, Fuzzers).

• Succès d'Évasion : PLAA a atteint un taux de succès d'évasion moyen (Evasion Rate) de 92,78 %. Il a réussi à convertir le trafic malveillant initialement détectable en trafic adverse classé comme bénin par tous les modèles testés.
• Préservation Sémantique : Le trafic généré a maintenu la sémantique d'attaque requise. Par exemple, les attaques Slow DoS ont conservé leurs caractéristiques de faible débit, et les attaques Brute Force ont maintenu des taux élevés là où cela était nécessaire.
• Réalisme : Un « Score d'Anomalie » a été défini pour mesurer l'écart du trafic adverse par rapport au trafic malveillant original en termes de longueur, de temps et de débit. Les résultats ont montré que bien que certains écarts se soient produits (particulièrement le débit pour le Slow DoS en raison de la nécessité d'augmenter la longueur des paquets), le trafic global restait réaliste et cohérent avec le type d'attaque.
• Convergence : L'agent RL a démontré une convergence après environ 4 000 épisodes d'entraînement, les récompenses cumulées se stabilisant.

Signification et Revendications
L'article affirme que PLAA offre une solution fondamentale aux limitations des attaques adverses existantes sur les NIDS. En s'éloignant de la manipulation directe des flux et en adoptant une approche au niveau des paquets basée sur l'apprentissage par renforcement, la méthode garantit que le trafic adverse est à la fois réalisable de manière réaliste et sémantiquement cohérent avec l'intention de l'attaque originale. Les auteurs soulignent que leur travail se concentre sur la méthodologie théorique de génération de ce trafic, validée par des expériences étendues basées sur des jeux de données. Ils reconnaissent que les travaux futurs devront passer d'une évaluation basée sur des jeux de données à des scénarios de trafic réseau malveillant réels pour valider davantage l'applicabilité pratique.