Enhancing Adversarial Robustness of IoT Intrusion Detection via SHAP-Based Attribution Fingerprinting

1. Il Problema

La rapida proliferazione dei dispositivi Internet of Things (IoT) ha ampliato la superficie di attacco per le reti, esponendole a minacce sofisticate. Sebbene i sistemi di rilevamento delle intrusioni (IDS) basati su Deep Learning (DL) siano efficaci nel rilevare pattern complessi, presentano due vulnerabilità critiche:

1. Fragilità Adversaria: Sono suscettibili ad attacchi avversari (es. FGSM, PGD, DeepFool) in cui piccoli perturbamenti nell'input ingannano il modello, causando errori di classificazione o elusione della rilevazione.
2. Mancanza di Trasparenza: I modelli DL agiscono come "scatole nere", rendendo difficile comprendere le decisioni interne e minando la fiducia e la responsabilità del sistema.

Le difese esistenti (come l'addestramento avversario) spesso comportano compromessi significativi, come un aumento del carico computazionale, una riduzione dell'accuratezza sui dati puliti e una scarsa adattabilità alle nuove minacce. Inoltre, mancano di interpretabilità.

2. Metodologia Proposta

Gli autori propongono un modello di rilevamento avversario non supervisionato che utilizza la Fingerprinting delle Attribuzioni basata su SHAP (SHapley Additive exPlanations). L'approccio non richiede dati di attacco etichettati per l'addestramento.

Il processo si articola in tre fasi principali:

• Generazione delle Impronte Digitali (Fingerprinting):

  • Viene utilizzato SHAP DeepExplainer per calcolare i valori di attribuzione (SHAP values) per ogni feature di input. Questi valori quantificano il contributo di ciascuna feature alla previsione del modello.
  • L'ipotesi centrale è che, sebbene un input avversario possa apparire simile a uno pulito nello spazio degli input, le sue impronte digitali di attribuzione (il modo in cui le feature influenzano la decisione) mostrano pattern anomali e deviazioni rispetto ai dati puliti.

• Modello di Rilevamento (Autoencoder):

  • Viene addestrato un Autoencoder Profondo esclusivamente su vettori di attribuzione SHAP derivati da campioni puliti (benigni).
  • L'autoencoder impara a ricostruire la distribuzione normale delle attribuzioni SHAP.
  • Durante l'inferenza, quando arriva un nuovo input, vengono calcolati i suoi valori SHAP e passati all'autoencoder.
  • Se l'errore di ricostruzione supera una soglia predefinita ($\tau$), l'input viene classificato come avversario (anomalia).

• Analisi dell'Impatto:

  • Il framework analizza gli spostamenti di rango (rank shifts) delle feature per identificare quali attributi diventano più o meno influenti sotto attacco, rivelando pattern comportamentali specifici per ogni tipo di attacco (FGSM, PGD, DeepFool).

3. Contributi Chiave

1. Modello Unsupervised Innovativo: Introduzione di un modello neurale basato su fingerprinting SHAP che rileva input avversari senza bisogno di dati di attacco etichettati durante la fase di addestramento.
2. Pipeline di Fingerprinting: Sviluppo di una pipeline completa che genera campioni avversari, calcola le attribuzioni SHAP e le utilizza come rappresentazioni delle feature per l'addestramento e la valutazione.
3. Analisi degli Spostamenti di Rango: Investigazione sistematica di come gli attacchi alterino l'importanza delle feature, dimostrando che gli attacchi causano deviazioni specifiche nei pattern di attribuzione.
4. Miglioramento della Trasparenza: Integrazione dell'AI spiegabile (XAI) per aumentare la fiducia nel sistema di sicurezza, offrendo insight sulle decisioni del modello.
5. Validazione Sperimentale: Test estensivi su un dataset IoT benchmark (CIC-IoT2023) che dimostrano la superiorità rispetto ai metodi di difesa esistenti.

4. Risultati Sperimentali

Il modello è stato valutato sul dataset CIC-IoT2023 contro tre tipi di attacchi: FGSM, PGD e DeepFool, confrontandolo con un modello di riferimento addestrato avversariamente (Adversarially Trained Model).

• Accuratezza e Robustezza:
  • Il modello basato su SHAP ha raggiunto un'accuratezza complessiva superiore al 99% su tutti gli scenari di attacco.
  • In particolare, sotto l'attacco PGD, il modello ha ottenuto un 0% di falsi negativi (ha rilevato tutti gli attacchi), mentre il modello di baseline ne ha mancati 790.
  • Sotto l'attacco DeepFool, il tasso di falsi negativi è stato del 0.96% (96 su 10.000), contro il 33.51% (3.351 su 10.000) del baseline.
• Tasso di Falsi Positivi (FPR):
  • Il modello proposto ha mantenuto un FPR estremamente basso (0.45%), segnalando erroneamente solo 45 campioni puliti come avversari, contro il 2.65% (265 campioni) del baseline. Questo indica una minore interruzione del servizio legittimo.
• Metriche di Robustezza:
  • L'Attack Success Rate (ASR) del modello proposto è stato inferiore all'1% per tutti gli attacchi, dimostrando una resilienza eccezionale.
• Analisi della Distribuzione dell'Errore:
  • La distribuzione dell'errore di ricostruzione mostra una chiara separazione: i campioni puliti sono concentrati sotto la soglia di soglia, mentre i campioni avversari presentano errori significativamente più alti, confermando la capacità discriminativa del metodo.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo nella sicurezza IoT per diversi motivi:

• Efficienza per IoT: Essendo un approccio non supervisionato che non richiede il riaddestramento del modello su dati di attacco (spesso costosi o non disponibili), è ideale per ambienti IoT con risorse computazionali limitate.
• Interpretabilità e Fiducia: Trasforma il rilevamento delle intrusioni da una "scatola nera" a un processo trasparente. Gli operatori di sicurezza possono comprendere perché un traffico è stato classificato come sospetto basandosi sulle attribuzioni delle feature.
• Resilienza Dinamica: La capacità di rilevare deviazioni nei pattern di attribuzione permette di identificare manipolazioni sottili che i metodi tradizionali potrebbero ignorare, offrendo una difesa più robusta contro minacce evolutive.

In sintesi, l'approccio combina la potenza dell'AI spiegabile con l'apprendimento non supervisionato per creare sistemi di difesa IoT che sono non solo più sicuri, ma anche più affidabili e comprensibili.