RPM-Net Reciprocal Point MLP Network for Unknown Network Security Threat Detection

1. Il Problema: Rilevamento di Minacce in Ambienti a Insieme Aperto

Il lavoro affronta la sfida critica del rilevamento delle minacce alla sicurezza informatica in ambienti reali, caratterizzati da due problemi principali:

• Riconoscimento a Insieme Aperto (Open Set Recognition - OSR): I sistemi di rilevamento tradizionali operano spesso in modalità "insieme chiuso", assumendo che tutte le classi di attacco siano note durante l'addestramento. Tuttavia, nella realtà, gli attaccanti sviluppano continuamente nuove tecniche (zero-day, ransomware, ecc.). Il sistema deve quindi essere in grado di distinguere tra attacchi noti e minacce sconosciute, utilizzando solo campioni di attacchi noti durante la fase di addestramento.
• Squilibrio delle Classi (Class Imbalance): Le reti reali presentano distribuzioni di classi altamente sbilanciate (alcuni tipi di attacchi sono molto più frequenti di altri). I metodi esistenti spesso presuppongono una distribuzione bilanciata o si basano su classificazioni binarie semplici (traffico normale vs. attacco), fallendo nel gestire la diversità e la complessità degli scenari multi-classe reali.
• Mancanza di Interpretabilità: Molti approcci attuali mancano di meccanismi efficienti per costruire spazi delle caratteristiche che incorporino naturalmente le classi sconosciute, rendendo difficile l'identificazione geometrica delle minacce non viste.

2. Metodologia: RPM-Net

Gli autori propongono RPM-Net, un nuovo framework di riconoscimento multi-classe che integra tre componenti fondamentali per gestire lo spazio delle caratteristiche e le minacce sconosciute.

Architettura Generale

Il modello utilizza un estrattore di caratteristiche basato su un Perceptron Multistrato (MLP) con attivazioni ReLU e regolarizzazione Dropout. La sua innovazione risiede nella gestione dello spazio delle caratteristiche tramite:

1. Meccanismo dei Punti Reciproci (Reciprocal Points):

   • Per ogni classe di attacco nota $k$, il modello apprende un "punto reciproco" $P_k$.
   • Concettualmente, $P_k$ rappresenta "ciò che la classe $k$ non è".
   • La distanza tra un embedding $z$ e il punto reciproco $P_k$ viene calcolata combinando la distanza euclidea normalizzata e la similarità coseno. Questa distanza funge da logit per la classificazione.
   • L'obiettivo è spingere i campioni noti verso la periferia dello spazio delle caratteristiche, lontano dai loro punti reciproci.

2. Vincoli di Margine Avversariale (Adversarial Margin Constraints):

   • Vengono introdotti parametri di margine appribili $R_k$ che vincolano i campioni della classe nota a rimanere entro una certa distanza dal loro punto reciproco.
   • Questo crea regioni di confine adattive che spingono le classi note verso l'esterno, lasciando uno "spazio aperto" centrale per le minacce sconosciute.
   • Questo meccanismo mitiga lo squilibrio delle classi senza richiedere campioni di classi sconosciute durante l'addestramento.

3. Regolarizzazione Discriminante di Fisher (Fisher Discriminant Regularization):

   • Per migliorare la coesione intra-classe e la separabilità inter-classe, il modello (nella versione potenziata RPM-Net++) incorpora una perdita basata sul criterio di Fisher.
   • Massimizza il rapporto tra la dispersione inter-classe ($S_b$) e quella intra-classe ($S_w$), rendendo le rappresentazioni delle classi note più compatte e distinte tra loro.

Funzione di Perdita Totale

L'addestramento ottimizza una funzione di perdita combinata:
$$L_{total} = \alpha L_{CE} + \lambda L_{margin} + \beta L_{Fisher}$$
Dove $L_{CE}$ è la perdita di entropia incrociata basata sulle distanze dai punti reciproci, $L_{margin}$ impone i vincoli di confine e $L_{Fisher}$ migliora la struttura delle classi.

Inferenza e Rilevamento di Sconosciuti

Durante l'inferenza, il modello calcola la distanza massima dal punto reciproco. Se questa distanza è inferiore a una soglia $\tau$ determinata su un set di validazione, il campione viene classificato come "sconosciuto" (minaccia non rilevata in addestramento).

3. Risultati Sperimentali

Il modello è stato valutato su due dataset pubblici ampiamente utilizzati: CICIDS2017 e UNSW-NB15.

• Performance su CICIDS2017:

  • RPM-Net ha raggiunto un punteggio F1-score macro di 0.9987 per la classificazione delle classi note.
  • Per il rilevamento delle minacce sconosciute, ha ottenuto un AUPR-OUT di 0.6523, superando significativamente metodi esistenti come EVM (0.2974) e OCN.
  • La versione RPM-Net++ (con regolarizzazione Fisher) ha ulteriormente migliorato l'AUROC al 0.9735 e l'AUPR-OUT al 0.6711.

• Performance su UNSW-NB15:

  • RPM-Net ha mantenuto prestazioni solide con un F1-score di 0.7950 e un AUPR-OUT di 0.8555, superando Baseline, ODIN, OCN ed EVM.
  • L'aggiunta della regolarizzazione Fisher (RPM-Net++) ha portato l'AUROC al 0.8850 e l'AUPR-OUT al 0.8664.

• Analisi di Ablazione:

  • I risultati dimostrano che la combinazione di punti reciproci, vincoli di margine e regolarizzazione Fisher produce un effetto sinergico, migliorando sia la coesione delle classi note che la capacità di isolare le minacce sconosciute.

4. Contributi Chiave

1. Meccanismo di Punti Reciproci: Un approccio innovativo per apprendere rappresentazioni di "non-classe" per ogni categoria di attacco nota, permettendo una differenziazione efficace in scenari multi-classe.
2. Costruzione di Confini Adattivi: L'uso di vincoli di margine crea uno spazio delle caratteristiche che naturalmente ospita le classi sconosciute al centro, risolvendo il problema dello squilibrio senza dati di training per le classi sconosciute.
3. Miglioramento tramite Fisher: L'integrazione della regolarizzazione discriminante di Fisher (RPM-Net++) aumenta significativamente la separabilità inter-classe e la compattezza intra-classe.
4. Validazione Pratica: Il framework è stato testato su dataset reali complessi, dimostrando superiorità rispetto agli stati dell'arte in termini di F1-score, AUROC e AUPR-OUT.

5. Significato e Impatto

RPM-Net rappresenta un avanzamento significativo nel campo della sicurezza informatica basata sull'IA. La sua capacità di operare in scenari Open Set reali, gestendo allo stesso tempo lo squilibrio delle classi e fornendo interpretabilità geometrica (spazi definiti per le minacce note e sconosciute), lo rende uno strumento pratico per il dispiegamento in sistemi di rilevamento delle intrusioni (NIDS) reali.

Il lavoro dimostra che è possibile costruire sistemi di difesa proattivi capaci di identificare minacce zero-day senza la necessità di raccogliere preventivamente campioni di tali minacce, un requisito fondamentale per la cybersicurezza moderna. Il codice è stato reso disponibile pubblicamente per favorire la riproducibilità e l'ulteriore ricerca.