Riepilogo Tecnico: Intelligenza Artificiale Generativa e Federated Learning per i Sistemi di Rilevamento delle Intruzioni: Un Survey

Definizione del Problema

I Sistemi di Rilevamento delle Intruzioni (IDS) sono critici per il monitoraggio del traffico di rete in ambienti moderni, inclusi IoT, imprese e sistemi cyber-fisici. Tuttavia, lo sviluppo di modelli IDS affidabili affronta sfide persistenti:

1. Limitazioni dei Dati: I dataset realistici sono difficili da ottenere a causa dei vincoli di privacy, portando a problemi di scarsità di dati, squilibrio delle classi, record incompleti e firme di attacco obsolete.
2. Privacy e Distribuzione: L'addestramento centralizzato tradizionale richiede l'aggregazione di traffico di rete sensibile da client distribuiti, il che pone rischi per la privacy e costi di comunicazione elevati.
3. Minacce in Evoluzione: I comportamenti di attacco evolvono rapidamente, e il rilevamento statico basato su firme fallisce contro minacce zero-day o sconosciute.
4. Ricerca Frammentata: Sebbene l'IA Generativa (GenAI) e il Federated Learning (FL) siano stati studiati individualmente, la loro intersezione nel contesto degli IDS rimane frammentata. Esiste una mancanza di revisione sistematica su come la GenAI possa specificamente supportare l'addestramento di IDS distribuito e preservare la privacy, e quali sfide tecniche rimangano.

Metodologia

Questo articolo è un survey che sintetizza la letteratura esistente piuttosto che proporre un nuovo modello sperimentale. Gli autori hanno impiegato una strategia di ricerca basata su parole chiave su Google Scholar e DBLP, integrata dall'ispezione manuale di importanti sedi di networking, sicurezza e machine learning.

• Criteri di Ricerca: I documenti sono stati selezionati in base alla rilevanza nell'applicare famiglie di modelli generativi (VAE, GAN, Diffusion, LLM) a compiti IDS o nell'integrare questi modelli con l'IDS basato su FL.
• Ambito: La revisione copre gli ultimi cinque o sette anni per gli studi orientati all'applicazione, mantenendo al contempo i riferimenti fondamentali per le architetture dei modelli e i concetti iniziali di IDS.
• Struttura: Il survey è organizzato in quattro sezioni principali:
  1. Background IDS: Revisione del machine learning avversario, del rilevamento basato su anomalie, dell'IDS specifico per l'IoT, dell'IDS spiegabile (X-IDS) e dei dataset di riferimento.
  2. Modelli Generativi: Categorizzazione delle applicazioni per famiglia di modelli (VAE, GAN, Diffusion, LLM) e obiettivo del compito (rilevamento anomalie, generazione dati, aumento, imputazione, generazione avversaria ed explainability).
  3. GenAI-Embedded FL-IDS: Analisi di come specifici modelli generativi siano integrati in contesti federati per affrontare dati non-IID, costi di comunicazione e privacy.
  4. Sfide e Direzioni Future: Identificazione dei problemi aperti relativi alla qualità dei dati sintetici, al realismo, ai rischi di doppio uso e al benchmarking.

Contributi Chiave

Il documento fornisce una tassonomia strutturata e un'analisi critica dell'intersezione tra GenAI, FL e IDS. I suoi contributi primari includono:

1. Revisione Strutturata delle Direzioni IDS: Riassume le aree di ricerca rappresentative (ML avversario, rilevamento anomalie, IoT, X-IDS) per stabilire il contesto tecnico del perché GenAI e FL siano necessari.
2. Tassonomia della GenAI negli IDS: Organizza gli studi esistenti per famiglia di modelli e compito:
   • VAE: Utilizzati per il rilevamento delle anomalie basato sulla ricostruzione, l'apprendimento della rappresentazione latente e l'augmentation dei dati.
   • GAN: Applicate alla generazione di dati tabulari, mitigazione dello squilibrio delle classi, imputazione dei dati e generazione di traffico avversario.
   • Modelli di Diffusion: Emergenti per la generazione stabile di dati sintetici, purificazione avversaria e miglioramento della robustezza.
   • LLM: Utilizzati per l'analisi dei log di traffico, la spiegazione degli alert in linguaggio naturale e la generazione guidata dalla conoscenza di dati tabulari.
3. Analisi di GenAI-Embedded FL-IDS: Esamina sistematicamente come i modelli generativi supportino l'addestramento distribuito tramite:
   • L'aumento dei dataset locali per mitigare le distribuzioni non-IID e lo squilibrio delle classi.
   • La riduzione dei costi di comunicazione tramite rappresentazioni latenti compatte (VAE).
   • L'affrontare il rischio di doppio uso in cui i modelli generativi possono essere usati offensivamente per avvelenare gli aggiornamenti FL o eludere il rilevamento.
4. Valutazione di Dataset e Benchmark: Riassume i dataset IDS comunemente utilizzati (es. UNSW-NB15, CICIDS2017, FLNET2023) e evidenzia una lacuna critica: la mancanza di benchmark realistici, consapevoli della topologia e federati. La maggior parte dei dataset esistenti è raccolta centralmente e non riflette la vera eterogeneità a livello di client.
5. Identificazione delle Sfide Aperte: Il survey delinea problemi specifici non ancora risolti, tra cui l'affidabilità del traffico sintetico (somiglianza statistica vs validità di rete), i rischi avversari di doppio uso nel FL, l'efficienza della comunicazione del FL generativo e la necessità di LLM specifici per il dominio.

Risultati e Conclusioni

Il survey sintetizza i risultati della letteratura per rispondere a quattro domande di ricerca:

• RQ1 (Utilizzo): I modelli generativi migliorano l'IDS compensando dati limitati, sbilanciati o incompleti. VAE e GAN sono dominanti per l'augmentation dei dati e il rilevamento delle anomalie, mentre gli LLM offrono capacità uniche nella spiegazione e nell'analisi dei log.
• RQ2 (Affidabilità): Il traffico sintetico è condizionatamente affidabile. Mentre le metriche a livello di distribuzione (es. divergenza KL, FID) misurano la somiglianza statistica, non garantiscono che il traffico generato preservi i vincoli di protocollo, le dipendenze temporali o la semantica degli attacchi. Dati sintetici di bassa qualità possono distorcere i confini decisionali.
• RQ3 (Supporto FL): La GenAI può supportare un FL-IDS che preservi la privacy aumentando i dataset locali senza condividere il traffico grezzo. Tuttavia, ciò introduce rischi di doppio uso in cui gli attaccanti potrebbero usare modelli generativi per creare campioni avversari che avvelenano i modelli globali. L'efficienza della comunicazione rimane una sfida, in particolare per GAN e LLM.
• RQ4 (Benchmark): Gli attuali benchmark sono ampiamente insufficienti per valutare contesti federati e generativi. La maggior parte è raccolta centralmente. FLNET2023 è identificato come una nota eccezione che supporta esplicitamente la valutazione federata, ma il campo manca di dataset federati realistici e consapevoli della topologia.

Significato e Rivendicazioni

Il documento rivendica la sua importanza come revisione sistematica che colma il divario tra tre campi distinti: IDS, Intelligenza Artificiale Generativa e Federated Learning.

• Contestualizzazione: Stabilisce che, sebbene GenAI e FL siano singolarmente maturi, la loro integrazione per l'IDS è un campo emergente e frammentato che richiede una prospettiva unificata.
• Identificazione del Gap Critico: Gli autori sostengono con modestia che il campo attualmente manca di benchmark realistici per l'IDS federato e generativo. Argomentano che la ricerca futura deve andare oltre la semplice generazione di dati per concentrarsi sulla validità a livello di rete (vincoli di protocollo, topologia) e sulla condivisione generativa efficiente dal punto di vista della comunicazione.
• Consapevolezza del Doppio Uso: Il paper enfatizza la natura a doppio uso dei modelli generativi nel FL, notando che gli stessi strumenti usati per migliorare la robustezza dell'IDS possono essere trasformati in armi per eludere il rilevamento o avvelenare i modelli federati, un rischio più difficile da rilevare in contesti distribuiti rispetto a quelli centralizzati.
• Direzione Futura: Il survey conclude che costruire un IDS abilitato dalla GenAI affidabile richiede un framework olistico che combini un rilevamento accurato, una generazione di dati realistica, la preservazione della privacy e una valutazione consapevole della sicurezza, piuttosto che trattare questi componenti in isolamento.