PLAA: Packet-level Adversarial Attacks in Network Traffic Detection

Sintesi Tecnica: PLAA: Attacchi Avversari a Livello di Pacchetto nella Rilevazione del Traffico di Rete

Definizione del Problema
Le Reti Neurali Profonde (DNN) sono sempre più impiegate nei Sistemi di Rilevamento delle Intruzioni basati su Rete (NIDS) grazie alla loro elevata accuratezza di classificazione. Tuttavia, questi sistemi sono vulnerabili ad attacchi avversari progettati per generare traffico malevolo capace di eludere il rilevamento. Gli esistenti metodi di attacco avversario spesso adattano le tecniche della Computer Vision (CV) al dominio NIDS, trascurando le differenze fondamentali tra i dati delle immagini e il traffico di rete. Questa adattabilità porta a due criticità fondamentali:

1. Problema di Esistenza: Le caratteristiche del traffico di rete (ad esempio, lunghezza media dei pacchetti, conteggio totale dei pacchetti) sono interdipendenti. Modificare direttamente le caratteristiche statistiche a livello di flusso o aggiungere perturbazioni senza considerare queste dipendenze spesso risulta in un traffico statisticamente invalido o impossibile da generare in un ambiente di rete reale.
2. Problema di Semantica dell'Attacco: Le modifiche avversarie tradizionali possono eludere con successo il rilevamento, ma distruggono la semantica originale dell'attacco. Ad esempio, un attacco Denial of Service (DoS) si basa su elevati tassi di traffico; se una modifica avversaria riduce tale tasso per eludere il rilevamento, il traffico non funziona più come un attacco DoS.

Le attuali strategie di mitigazione, come il blocco di caratteristiche chiave, l'aggiustamento del protocollo post-generazione o le trasformazioni di collegamento basate sul protocollo, soffrono di prestazioni di attacco limitate, ridotta efficacia o una forte dipendenza dalla conoscenza esperta e dall'adattamento specifico del sistema.

Metodologia: PLAA
Il documento propone PLAA (Packet-level Adversarial Attacks), un nuovo framework che affronta i problemi di esistenza e semantica spostando il processo di generazione dalle statistiche a livello di flusso alle caratteristiche a livello di pacchetto. La metodologia principale impiega un framework di Reinforcement Learning (RL), nello specifico un'architettura Actor-Critic, per costruire incrementalmente il traffico avversario.

• Generazione a Livello di Pacchetto: Invece di generare direttamente le caratteristiche statistiche a livello di flusso, l'agente genera i pacchetti uno alla volta. Ogni pacchetto è definito da quattro caratteristiche di base: Lunghezza dell'Header ($h_i$), Lunghezza del Payload ($p_i$), Intervallo tra i Pacchetti ($t_i$) e Flag ($f_i$). Queste vengono codificate (tramite normalizzazione o one-hot encoding) e combinate per formare le caratteristiche statistiche a livello di flusso utilizzate dal NIDS. Questo approccio garantisce che il traffico generato sia intrinsecamente valido e realizzabile.
• Stato, Azione e Ricompensa:
  • Stato ($S_i$): Le attuali caratteristiche statistiche a livello di flusso derivate dalla sequenza di pacchetti generati finora.
  • Azione ($A_i$): I parametri necessari per generare il pacchetto successivo ($h_i, p_i, t_i, f_i$). Lo spazio delle azioni è vincolato dalla conoscenza dei protocolli di rete per garantirne la validità.
  • Funzione di Ricompensa ($R_i$): Una funzione di ricompensa composita guida l'agente:
    • Ricompensa di Evasione ($r^e_i$): Incoraggia il traffico a essere classificato erroneamente come benigno minimizzando la perdita di cross-entropy tra la classe benigna target e l'output del NIDS.
    • Ricompensa di Preservazione Semantica ($r^s_i$): Penalizza le deviazioni dalla semantica originale dell'attacco. Ciò include il mantenimento del tasso di traffico (cruciale per DoS/Brute Force) e la preservazione delle caratteristiche di header e payload.
• Modello di Minaccia: Lo studio assume uno scenario Gray-Box (GB) in cui l'attaccante non conosce la struttura interna del modello NIDS o le sue caratteristiche di input, ma può accedere al sistema per ottenere il feedback della classificazione.

Contributi Chiave

1. Analisi delle Limitazioni: Gli autori forniscono un'analisi approfondita del perché gli attacchi avversari adattati dalla CV falliscano nei contesti NIDS, evidenziando specificamente le carenze di "esistenza" e "semantica dell'attacco".
2. Nuovo Approccio a Livello di Pacchetto: PLAA introduce un metodo di generazione sequenziale delle caratteristiche a livello di pacchetto. Costruendo il traffico pacchetto per pacchetto, risolve fondamentalmente il problema della generazione di traffico non valido e preserva la semantica dell'attacco originale attraverso vincoli consapevoli del protocollo.
3. Validazione Empirica: Il metodo è valutato su molteplici dataset (CIC-UNSW-NB15, CIC-DDoS2019, CIC-IDS-2017) e vari modelli NIDS (DNN, CNN-LSTM, SVM, LR, KNN, RF).

Risultati Sperimentali
Il metodo proposto è stato testato contro sei diversi modelli NIDS utilizzando cinque tipi specifici di attacco (Slow DoS, Brute Force, Probe, Generic, Fuzzers).

• Successo di Evasione: PLAA ha ottenuto un tasso medio di successo di evasione (Evasion Rate) del 92,78%. Ha convertito con successo il traffico malevolo originariamente rilevabile in traffico avversario che il NIDS classifica come benigno in tutti i modelli testati.
• Preservazione Semantica: Il traffico generato ha mantenuto la semantica dell'attacco richiesta. Ad esempio, gli attacchi Slow DoS hanno mantenuto le loro caratteristiche a basso tasso, e gli attacchi Brute Force hanno mantenuto i tassi elevati dove necessario.
• Realismo: Un "Anomaly Score" è stato definito per misurare la deviazione del traffico avversario dal traffico malevolo originale in termini di lunghezza, tempo e tasso. I risultati hanno mostrato che, sebbene si siano verificate alcune deviazioni (particolarmente nel tasso per lo Slow DoS a causa della necessità di aumentare la lunghezza dei pacchetti), il traffico complessivo rimaneva realistico e coerente con il tipo di attacco.
• Convergenza: L'agente RL ha dimostrato convergenza dopo circa 4.000 episodi di addestramento, con le ricompense cumulative che si sono stabilizzate.

Significatività e Rivendicazioni
Il documento sostiene che PLAA offra una soluzione fondamentale alle limitazioni degli attuali attacchi avversari sui NIDS. Spostandosi dalla manipolazione diretta a livello di flusso e adottando un approccio a livello di pacchetto basato sul reinforcement learning, il metodo assicura che il traffico avversario sia sia realisticamente generabile che semanticamente coerente con l'intento originale dell'attacco. Gli autori sottolineano che il loro lavoro si concentra sulla metodologia teorica per la generazione di tale traffico, validata attraverso estesi esperimenti basati su dataset. Riconoscono che i lavori futuri dovranno transitare dalla valutazione basata su dataset a scenari di traffico di rete malevolo reali per validare ulteriormente l'applicabilità pratica.