A Novel Solution for Zero-Day Attack Detection in IDS using Self-Attention and Jensen-Shannon Divergence in WGAN-GP

1. Il Problema

La cybersecurity affronta una sfida crescente a causa della sofisticazione delle minacce informatiche, in particolare gli attacchi Zero-Day. Questi attacchi sfruttano vulnerabilità sconosciute (non ancora patchate), rendendoli difficili da rilevare per i sistemi di difesa tradizionali basati su firme o su pattern statici.
I sistemi di rilevamento delle intrusioni (IDS) esistenti spesso falliscono nel generalizzare verso nuove varianti di attacco a causa di:

• Dipendenza da dati noti: I modelli ML sono addestrati su dati storici e faticano a riconoscere pattern mai visti prima.
• Squilibrio delle classi: Nei dataset di rete (come NSL-KDD), le classi di attacco rare (es. R2L, U2R) sono sottorappresentate, portando a un bias verso le classi maggioritarie.
• Limitazioni dei modelli generativi esistenti: I GAN (Generative Adversarial Networks) tradizionali soffrono spesso di instabilità nell'addestramento, collasso del modello (mode collapse) e difficoltà nel catturare dipendenze a lungo raggio tra le caratteristiche dei dati di rete.

2. Metodologia Proposta

L'articolo propone un approccio innovativo che utilizza tre varianti avanzate di WGAN-GP (Wasserstein GAN con Gradient Penalty) per sintetizzare dati di traffico di rete che mimano i pattern degli attacchi Zero-Day, migliorando così la capacità di generalizzazione degli IDS.

Le tre architetture proposte sono:

1. SA-WGAN-GP (Self-Attention WGAN-GP):

   • Integra un meccanismo di Self-Attention (SA) all'interno del Generatore e del Critico.
   • Trasforma i vettori di caratteristiche in "token" dopo proiezioni dense.
   • Obiettivo: Catturare le dipendenze a lungo raggio e le relazioni cross-feature complesse nel traffico di rete, superando i limiti delle operazioni locali (come le convoluzioni) e migliorando la rappresentazione di dati rari e marginali.

2. JS-WGAN-GP (Jensen-Shannon WGAN-GP):

   • Introduce un discriminatore ausiliario (D) basato sulla divergenza di Jensen-Shannon (JS), addestrato con perdita di Entropia Incrociata Binaria (BCE).
   • Questo discriminatore è "congelato" durante gli aggiornamenti del Generatore e funge da regolarizzatore.
   • Obiettivo: Affinare la distinzione tra distribuzioni simili ma non identiche, fornendo gradienti più lisci e migliorando la qualità e la diversità dei campioni sintetici, riducendo il rischio di collasso del modello.

3. SA-JS-WGAN-GP:

   • Combina i due approcci precedenti, integrando sia il meccanismo SA che la divergenza JS.
   • Utilizza una funzione di perdita congiunta dinamica che bilancia adattivamente i contributi della distanza di Wasserstein e della regolarizzazione JS.
   • Obiettivo: Massimizzare la copertura multimodale dei dati, catturando sia le dipendenze globali che le sfumature delle distribuzioni, per generare dati sintetici di alta fedeltà.

3. Configurazione Sperimentale

• Dataset: NSL-KDD (un benchmark standard per IDS).
• Simulazione Zero-Day: È stato utilizzato il metodo Leave-One-Attack-Type-Out (LOAO). In particolare, la classe di attacco R2L (Remote-to-Local) è stata rimossa completamente dai dati di addestramento per il Generatore e per gli IDS. L'IDS è stato poi valutato su questo tipo di attacco "invisibile" per testare la capacità di rilevamento Zero-Day.
• Modelli IDS Testati: Sono stati valutati cinque diversi modelli di Machine Learning addestrati sui dati originali combinati con i dati sintetici: SVM, Decision Tree (C4.5), Deep Neural Network (DNN), Convolutional Neural Network (CNN) e Long Short-Term Memory (LSTM).
• Metriche: Accuratezza, Precisione, Recall, F1-score, AUROC (Area Under the ROC Curve) e TPR@5%FPR (True Positive Rate a un falso positivo del 5%).

4. Risultati Chiave

I risultati sperimentali dimostrano che l'integrazione di SA e JS nel WGAN-GP porta a significativi miglioramenti:

• Prestazioni in Classificazione Multi-classe: Il modello SA-JS-WGAN-GP ha ottenuto la migliore accuratezza media multi-classe (85.9%), superando sia il WGAN-GP baseline che altre soluzioni state-of-the-art (come VAE-GAN e IGAN).
• Miglioramento della Generalizzazione (LOAO):
  • Nell'esperimento Zero-Day (rilevamento di R2L non visto in addestramento), il modello SA-JS-WGAN-GP ha mostrato la maggiore robustezza.
  • Ha raggiunto un AUROC medio del 66.1% e un TPR@5%FPR del 19.5%, con miglioramenti rispettivamente del 10.3% e 9.3% rispetto alla baseline (senza GAN).
  • In particolare, il modello CNN basato su SA-JS-WGAN-GP ha raggiunto un AUROC del 80.0% per gli attacchi R2L.
• Analisi della Distribuzione: L'analisi tramite kNN e MMD (Maximum Mean Discrepancy) ha mostrato che i modelli JS e SA-JS coprono meglio le aree a bassa densità e i confini delle distribuzioni rispetto al WGAN-GP standard, il che è cruciale per il rilevamento di anomalie rare senza memorizzare i dati (nessun overfitting o memorizzazione rilevata).
• Impatto sui Modelli IDS: L'uso di dati sintetici ha migliorato le prestazioni di DNN, LSTM e Decision Tree. I modelli basati su CNN hanno mostrato una leggera diminuzione nell'accuratezza multi-classe rispetto a JS-WGAN-GP puro, suggerendo che la complessità aggiuntiva di SA potrebbe non essere sempre ottimale per architetture focalizzate su features spaziali locali, ma il modello combinato rimane superiore nella robustezza generale.

5. Significato e Contributi

Il lavoro offre contributi significativi al campo della cybersecurity e dell'IA:

1. Nuova Architettura Generativa: La proposta di combinare Self-Attention e Divergenza JS nel framework WGAN-GP risolve problemi critici di stabilità e diversità nella generazione di dati di rete.
2. Strategia di Data Augmentation per Zero-Day: Dimostra che l'arricchimento dei dataset con dati sintetici di alta qualità può preparare gli IDS a rilevare attacchi mai visti prima, superando i limiti dei metodi basati su firme.
3. Robustezza e Generalizzazione: Il modello SA-JS-WGAN-GP non solo migliora l'accuratezza sui dati noti, ma riduce il bias verso le classi maggioritarie e migliora la capacità di discriminare attacchi rari e complessi.
4. Implicazioni Pratiche: La soluzione è particolarmente rilevante per ambienti dinamici come IoT e reti 5G, dove il traffico è complesso, multimodale e soggetto a minacce in rapida evoluzione.

In conclusione, il paper stabilisce che l'uso di meccanismi di attenzione avanzati e metriche di divergenza probabilistica nei GAN rappresenta un passo avanti fondamentale per rendere i sistemi di rilevamento delle intrusioni più proattivi e resilienti contro le minacce Zero-Day.