Multi-LLM Consensus Framework for Evaluating Banking-Sector NIDS Dataset Coverage of MITRE ATT&CK Techniques
यह शोध पत्र एक मल्टी-एलएलएम (multi-LLM) सर्वसम्मति ढांचे का प्रस्ताव करता है ताकि यह मूल्यांकन किया जा सके कि मौजूदा एनआईडीएस (NIDS) बेंचमार्क डेटासेट बैंकिंग-विशिष्ट मिट्रे अटैक (MITRE ATT&CK) तकनीकों को कितनी अच्छी तरह कवर करते हैं, जो सीआईसी-डीडीओएस2019 (CIC-DDoS2019) में 89.9% के ब्लाइंड स्पॉट जैसे महत्वपूर्ण अंतराल को उजागर करता है और वास्तविक-विश्व परिचालन प्रभावशीलता सुनिश्चित करने के लिए क्षेत्र-नेटिव (sector-native) डेटासेट्स की आवश्यकता स्थापित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि इंटरनेट एक विशाल, हलचल भरे शहर की तरह है जहाँ बैंक सबसे महत्वपूर्ण तिजोरियाँ हैं। इन तिजोरियों को सुरक्षित रखने के लिए, नेटवर्क घुसपैठ पहचान प्रणाली (NIDS) नामक सुरक्षा गार्ड डिजिटल सड़कों पर गश्त करते हैं और किसी के भी घुसने की कोशिश पर नज़र रखते हैं। इन गार्डों को "अभ्यास ड्रिल" का उपयोग करके प्रशिक्षित किया जाता है—नकली हमलों के विशाल संग्रह जिन्हें डेटासेट कहा जाता है। समस्या यह है कि अधिकांश ड्रिल सामान्य होती हैं। वे गार्डों को एक आम जेबकतरे या कार चोर को रोकने के लिए तो प्रशिक्षित करती हैं, लेकिन वे उन्हें उस मास्टरमाइंड को रोकने के बारे में शायद ही कभी सिखाती हैं जो ठीक से जानता है कि बैंक के विशेष मनी-ट्रांसफर सिस्टम को कैसे हैक करना है या एटीएम को कैसे धोखा देना है। यह बिल्कुल वैसा ही है जैसे किसी अग्निशामक को केवल रसोई की आग बुझाने के लिए प्रशिक्षित करना और फिर उसे रासायनिक संयंत्र के विस्फोट को बुझाने के लिए भेज देना; वे शायद नली का उपयोग करना जानते हों, लेकिन उन्हें यह नहीं पता होगा कि क्या करना है जब रसायन प्रतिक्रिया करने लगें। यह शोध पत्र एक सरल लेकिन महत्वपूर्ण प्रश्न पूछता है: क्या हमारे वर्तमान प्रशिक्षण अभ्यास वास्तव में इन डिजिटल गार्डों को बैंकों को लक्षित करने वाले विशिष्ट, चालाकी भरे हमलों के लिए तैयार कर रहे हैं, या वे केवल गार्डों को आत्मविश्वास महसूस करा रहे हैं जबकि उन्हें असुरक्षित छोड़ रहे हैं?
इस शोध पत्र के लेखकों ने इस अंतर की जांच करने के लिए एक नया, स्मार्ट तरीका बनाने का निर्णय लिया। केवल एक डेटासेट में कितने "बुरे लोग" हैं, इसकी गिनती करने के बजाय, उन्होंने एक ऐसी विधि का उपयोग किया जो यह नकल करती है कि वास्तविक दुनिया के सुरक्षा सेंसर वास्तव में कैसे काम करते हैं। उन्होंने MITRE ATT&CK नामक एक प्रसिद्ध गाइड से लिए गए 210 अलग-अलग तरीकों की एक विशाल सूची के साथ शुरुआत की, जिनसे हैकर्स बैंक पर हमला कर सकते हैं। हालाँकि, वे जानते थे कि वास्तविक सुरक्षा सेंसरों की सीमाएँ होती हैं: वे एन्क्रिप्टेड संदेशों (जैसे एक बंद पत्र) के अंदर नहीं देख सकते, वे कंप्यूटर के मस्तिष्क (जैसे फ़ाइल डिलीट होना) के अंदर क्या हो रहा है, यह नहीं देख सकते, और वे केवल ट्रैफिक को पैसिव रूप से देख सकते हैं, जैसे खंभे पर लगा एक कैमरा, बिना उसे रोकने की क्षमता के।
यह पता लगाने के लिए कि उन 210 हमलों में से एक सेंसर वास्तव में किन हमलों को देख सकता है, शोधकर्ताओं ने केवल एक विशेषज्ञ से नहीं पूछा। उन्होंने एक "कंसेंसस इंजन" (सहमति इंजन) का उपयोग किया जो चार शक्तिशाली कृत्रिम बुद्धिमत्ता (AI) मॉडलों से बना था। इसे चार सुपर-स्मार्ट जासूसों के एक पैनल के रूप में सोचें जिन्हें इस बात पर सहमत होना होगा कि क्या कोई विशिष्ट हमला एक दृश्य निशान छोड़ता है। यदि चार में से तीन जासूसों ने कहा, "हाँ, हम इसे देख सकते हैं," तो इसे पता लगाने योग्य माना गया। यदि वे असहमत थे, तो टीम ने सावधानी बरती और यह मान लिया कि हमला अदृश्य था। इस सख्त नियम ने सूची को केवल 68 हमलों तक सीमित कर दिया जिन्हें एक वास्तविक बैंक सेंसर वास्तव में देख सकता था।
इसके बाद, उन्होंने इन 68 "पता लगाने योग्य" बैंकिंग हमलों को लिया और यह देखने के लिए पांच लोकप्रिय प्रशिक्षण डेटासेट की जाँच की कि वे इन विशिष्ट खतरों को कितनी अच्छी तरह कवर करते हैं। परिणाम आँखें खोलने वाले थे। उन्होंने पाया कि UNSW-NB15 नामक डेटासेट सबसे अच्छा था, जिसने लगभग 82.2% महत्वपूर्ण बैंकिंग हमलों को कवर किया। हालाँकि, एक पेंच था: उस कवरेज का केवल 18.4% हिस्सा ही सीधा मिलान (direct match) था। बाकी बस एक धुंधला संकेत था, जैसे धुआं देखना लेकिन यह न जानना कि वह आग से है या बारबेक्यू से। दूसरी ओर, CIC-DDoS2019 नामक एक डेटासेट, जिसका उपयोग अक्सर परीक्षण के लिए किया जाता है, बैंकिंग सुरक्षा के लिए एक आपदा था। इसने 89.9% मुख्य बैंकिंग व्यवहारों को मिस कर दिया, जिससे एक बड़ा अंधा कोना (blind spot) रह गया। यह पता चला कि यह डेटासेट बड़े, शोर वाले 'डिनायल-ऑफ-सर्विस' हमलों को पकड़ने के लिए तो बहुत अच्छा है, लेकिन पैसे चुराने के लिए हैकर्स द्वारा उपयोग किए जाने वाले सूक्ष्म, बहु-चरणीय (multi-step) तरीकों के लिए पूरी तरह से बेकार है।
यह शोध पत्र सुझाव देता है कि इन पुराने, सामान्य डेटासेट्स पर निर्भर रहने से बैंकों को "सुरक्षा का झूठा अहसास" मिलता है। सिर्फ इसलिए कि एक सुरक्षा प्रणाली एक जेनेरिक टेस्ट पर उच्च स्कोर करती है, इसका मतलब यह नहीं है कि वह तब काम करेगी जब एक वास्तविक हैकर SWIFT मनी ट्रांसफर को मैनिपुलेट करने या एटीएम को जैक करने की कोशिश करेगा। लेखक निष्कर्ष निकालते हैं कि हमें तत्काल नए प्रशिक्षण डेटा की आवश्यकता है जो विशेष रूप से बैंकों के लिए बनाया गया हो, जिसमें उनकी अनूठी भाषाएं और प्रोटोकॉल शामिल हों। जब तक ऐसा नहीं होता, तब तक डिजिटल गार्ड आम चोरों को पकड़ने में तो बहुत अच्छे हो सकते हैं, लेकिन वे उन परिष्कृत डकैतियों के मामले में अनभिज्ञ रह सकते हैं जो वास्तव में वैश्विक वित्तीय प्रणाली के लिए खतरा पैदा करती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।