💻 computer science

Cross-Version Domain Adaptation and Open-Set Attack Screening for Transferable Wi-Fi Intrusion Detection

Questo articolo propone un framework di adattamento del dominio cross-versione che combina l'armonizzazione delle caratteristiche IEEE 802.11, l'allineamento DANN/CORAL e lo screening open-set basato sulla confidenza per ottenere un rilevamento delle intrusioni Wi-Fi ad alta precisione e in tempo reale attraverso ambienti variabili, identificando efficacementamente famiglie di attacchi precedentemente non visti con un labeling minimo nel dominio target.

Autori originali: Hadeer Hassan Ibrahim, Rasha M. Ismail, Tamer AbdelKader, Alshaimaa Abo-Alian

Pubblicato 2026-08-12

📖 7 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Hadeer Hassan Ibrahim, Rasha M. Ismail, Tamer AbdelKader, Alshaimaa Abo-Alian

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere una guardia giurata in una stazione ferroviaria enorme e frenetica. Il tuo compito è individuare i malintenzionati. Hai passato anni a memorizzare le uniformi, la camminata e i bagagli specifici dei malintenzionati noti in questa particolare stazione. Sai esattamente come appare un ladro da "Deautenticazione" qui: indossa un cappello rosso, porta una borsa blu e cammina velocemente. Ma poi, la gestione della stazione cambia le regole. La nuova stazione (una versione diversa della stessa rete) ha un'illuminazione diversa, piastrelle del pavimento diverse e i malintenzionati hanno scambiato i loro cappelli rossi con berretti verdi e le loro borse blu con zaini. Se provi a usare le tue vecchie regole del "cappello rosso" qui, perderai completamente i cattivi, o peggio, inizierai ad arrestare pendolari innocenti che per caso indossano il rosso. Questo è il problema centrale dell'Adattamento di Dominio nella sicurezza informatica: rendere un sistema di sicurezza che ha imparato in un ambiente capace di funzionare in modo affidabile in un nuovo ambiente, leggermente diverso.

Per risolvere questo, gli esperti di sicurezza utilizzano il Machine Learning, dove i computer imparano schemi dai dati, e il Riconoscimento Open-Set, ovvero la capacità di dire: "Non so cos'è questo, ma sembra sospetto", invece di forzare un'ipotesi. Il documento che stai per leggere affronta una versione molto specifica di questo problema della stazione ferroviaria: passare dal dataset AWID2 (una vecchia collezione di dati di attacco Wi-Fi) al dataset AWID3 (una collezione più recente e realistica). I ricercatori volevano sapere: possiamo insegnare a un computer a riconoscere gli attacchi Wi-Fi nel nuovo ambiente senza doverlo riinsegnare tutto da capo? Hanno scoperto che, utilizzando un mix intelligente di "addestramento avversariale" (dove il computer gioca a nascondino con se stesso per ignorare le differenze irrilevanti) e un piccolo aiuto dai nuovi dati, potevano costruire un sistema che è incredibilmente accurato, veloce e capace di individuare attacchi del tutto nuovi che non aveva mai visto prima.

La Grande Migrazione del Detective del Wi-Fi

Pensa alle reti Wi-Fi come a autostrade invisibili dove auto di dati sfrecciano avanti e indietro. Proprio come sulle vere autostrade, i conducenti maleducati (hacker) cercano di causare incidenti, rubare il carico o impersonare auto della polizia. Per catturarli, usiamo gli Intrusion Detection Systems (IDS), che sono come telecamere del traffico automatizzate che urlano "Stop!" quando vedono un'auto fare qualcosa di strano.

Per molto tempo, queste telecamere sono state addestrate su un tratto specifico di autostrada (il dataset AWID2). Sono diventate esperte nel individuare le auto cattive lì. Ma poi, l'autostrada è stata ristrutturata. La segnaletica orizzaria è cambiata, i limiti di velocità sono variati e i conducenti maleducati hanno iniziato a guidare auto leggermente diverse. Questo è il dataset AWID3. Quando le vecchie telecamere sono state spostate sulla nuova autostrada, hanno iniziato a fallire. O mancavano i cattivi o iniziavano a urlare contro innocenti camion della consegna. Questo è chiamato Domain Shift (spostamento di dominio), ed è un incubo per la sicurezza di rete perché le reti del mondo reale sono in continua evolzione.

La Soluzione: Un Detective Mutaforma

Gli autori di questo articolo hanno costruito un nuovo tipo di sistema di detective progettato per sopravvivere a questa migrazione. Invece di limitarsi a memorizzare i "cappelli rossi" della vecchia autostrada, hanno insegnato al detective a comprendere l'essenza di un cattivo conducente, indipendentemente dal colore del cappello.

1. Il Traduttore e lo Specchio
Per prima cosa, hanno creato un "traduttore" per assicurarsi che le vecchie e le nuove autostrade parlassero la stessa lingua. Hanno mappato manualmente le caratteristiche dei vecchi dati a quelli nuovi, assicurandosi che un "tipo di frame" nel vecchio mondo significasse la stessa cosa di un "tipo di frame" nel nuovo mondo.

Poi, hanno utilizzato una tecnica chiamata DANN (Domain-Adversarial Neural Network). Immagina un gioco di nascondino. Il detective cerca di imparare come appare un cattivo conducente, mentre uno "specchio" cerca di capire se il detective sta guardando la vecchia autostrada o la nuova. Il detective viene addestrato per ingannare lo specchio. Se il detective non riesce a distinguere tra la vecchia e la nuova autostrada, significa che il detective ha imparato i segni universali di un cattivo conducente, non solo i dettagli specifici della vecchia strada. Questo è l'Allineamento Avversariale.

2. Il Correlazione della Covarianza
Per assicurarsi che il detective non fosse stato solo fortunato, hanno aggiunto una seconda regola chiamata CORAL. È come controllare la "vibrazione" del traffico. Anche se le auto sembrano diverse, il modo in cui si muovono insieme (i loro schemi di velocità e direzione) dovrebbe essere simile. CORAL costringe il sistema ad allineare questi schemi di movimento tra i vecchi e i nuovi dati.

3. Il Piccolo Indizio
Ecco il ingrediente segreto: il sistema non ha solo tirato a indovinare. I ricercatori hanno dato al detective un piccolo, piccolissimo indizio dalla nuova autostrada. Gli hanno mostrato solo 3.000 pacchetti etichettati (1.000 normali, 1.000 attacchi di deautenticazione e 1.000 attacchi evil twin) dal nuovo dataset. Questo è chiamato Label-Efficient Target Calibration. È come dare al detective una singola foto di un ladro con il "berretto verde" della nuova stazione. Con questo piccolo indizio, il detective ha potuto ricalibrare perfettamente i suoi occhi.

I Risultati: Un Super-Detective

Quando hanno testato questo nuovo detective sulla nuova autostrada (AWID3), i risultati sono stati sbalorditivi.

Accuratezza: Il sistema ha individuato correttamente il 99,47% degli attacchi noti. È come catturare 99 malvagi su 100.
Velocità: Era fulmineo. Poteva elaborare 814.000 pacchetti al secondo. Per dare un'idea, poteva controllare ogni singola auto su una massiccia autostrada in un battito di ciglia, impiegando solo 0,0012 millisecondi per pacchetto.
Costo: Nella sicurezza, perdere un cattivo è molto peggio che fermare accidentalmente un bravo cittadino. I ricercatori hanno calcolato un "Weighted Error Cost" (Costo di Errore Pesato) per misurare questo. Il loro sistema aveva un costo di 517, un miglioramento enorme rispetto ai vecchi metodi che avevano un costo superiore a 20.000.

Il Superpotere "Open-Set": Individuare l'Ignoto

La parte più interessante di questo articolo è cosa succede quando arriva un tipo di cattivo conducente completamente nuovo — uno che non era presente nelle foto di addestramento. Nel mondo reale, gli hacker inventano continuamente nuovi trucchi.

I ricercatori hanno testato il loro sistema contro otto nuove famiglie di attacchi che esistevano nel nuovo dataset ma che erano totalmente sconosciute ai vecchi dati di addestramento (cose come "KRACK", "Kr00k" e "Botnet C&C").

Il Risultato: Il sistema non ha cercato di indovinare che tipo di attacchi fossero questi nuovi. Invece, ha detto: "Non so cos'è questo, ma sicuramente non è normale!" Ha segnalato anomalie in 504 su 505 dei nuovi file di attacco.
Il Compromesso: Poiché il sistema è così sensibile, ha segnalato come sospetti anche alcuni traffici normali. Circa il 10,1% dei pacchetti normali è stato segnalato come falso allarme. Ma gli autori sostengono che questo sia un compromesso equo: è meglio avere qualche allerta extra da controllare piuttosto che perdere un attacco nuovo e pericoloso.

Perché Questo è Importante

Questo articolo dimostra che non è necessario ricostruire il proprio sistema di sicurezza da zero ogni volta che la rete cambia. Usando l'apprendimento avversariale per ignorare le differenze irrilevanti e piccoli indizi per ricalibrarsi, si può creare un sistema che vi accompagni ovunque.

Gli autori hanno anche verificato che il detective non si stesse basando su correlazioni spurie memorizzando schemi strani. Hanno utilizzato l'IA Spiegabile (XAI) per guardare dentro il cervello del detective. Hanno scoperto che il sistema stava guardando indizi Wi-Fi reali, come i "deauthentication flags" e la "forza del segnale", invece di rumore casuale. Questo ci dà la certezza che il sistema stia davvero comprendendo il problema, non si stia solo limitando a memorizzare le risposte.

In breve, questa ricerca dimostra che possiamo costruire una sicurezza Wi-Fi che non sia solo intelligente e veloce, ma anche abbastanza flessibile da gestire la realtà disordinata e mutevole del mondo reale, individuando sia i vecchi trucchi che le nuove sorprese.

Sintesi Tecnica: Adattamento del Dominio Cross-Version e Screening di Attacchi Open-Set per la Rilevazione delle Intruzioni Wi-Fi Trasferibile

1. Definizione del Problema

I convenzionali sistemi di rilevamento delle intrusioni (IDS) Wi-Fi mostrano spesso un'elevata affidabilità su dataset con distribuzione identica, ma soffrono di un grave degrado delle prestazioni quando vengono implementati in ambienti reali dove le distribuzioni del traffico subiscono variazioni. Questo articolo affronta la sfida specifica della trasferibilità cross-version nei Wi-Fi IDS, concentrandosi sulla transizione dal dataset AWID2 (dominio sorgente) al dataset AWID3 (dominio target).

La difficoltà principale risiede nel significativo spostamento covariante (covariate shift) tra questi dataset, raccolti a distanza di anni sotto diverse infrastrutture, dispositivi e condizioni di protocollo. I modelli di apprendimento supervisionato standard addestrati su AWID2 non riescono a generalizzare su AWID3 a causa delle differuzioni nelle distribuzioni delle feature, nella semantica degli attacchi e nella composizione del traffico. Inoltre, l'implementazione pratica affronta due ulteriori ostacoli:

Attacchi Unknown-to-Source: Gli ambienti target possono contenere famiglie di attacchi (ad es. KRACK, Kr00k, Botnet C&C) che sono interamente assenti dalle etichette della sorgente. Trattarli come compiti di classificazione standard non è realistico; richiedono invece uno screening open-set per segnalare le anomalie.
Vincoli di Implementazione: Le operazioni nel mondo reale richiedono una valutazione che vada oltre l'accuratezza, considerando il carico dei falsi positivi, la latenza di inferenza, il throughput e il consumo energetico, particolarmente per scenari edge e IoT.

2. Metodologia

Gli autori propongono un framework unificato, consapevole della trasferibilità, che integra l'armonizzazione semantica delle feature, l'adattamento del dominio avversariale e la calibrazione efficiente delle etichette. La metodologia è strutturata come segue:

2.1 Armonizzazione Semantica delle Feature

Per colmare il divario tra AWID2 e AWID3, gli autori eseguono una rigorosa mappatura manuale delle feature semantiche IEEE 802.11.

Mappatura delle Feature: 11 gruppi di feature grezze (ad es. lunghezza del frame, RSSI, numeri di sequenza, flag di controllo del frame) sono mappati tra i dataset.
Indicatori Derivati: Quattro flag booleani consapevoli del protocollo vengono generati per catturare esplicitamente la semantica dei frame di gestione: flag deauth, flag beacon, flag auth e flag unprotected beacon.
Pre-processing: Le feature continue sono normalizzate utilizzando le statistiche del dominio sorgente (z-score), mentre i campi categorici subiscono la codifica one-hot. I valori mancanti sono gestiti con default logici per evitare l'introduzione di identificatori di dominio artificiali.

2.2 Allineamento della Distribuzione Ibrido (DANN + CORAL)

L'architettura centrale utilizza una Rete Neurale di Adattamento del Dominio Avversariale (DANN) per apprendere rappresentazioni invarianti rispetto al dominio.

Apprendimento Avversariale: Viene impiegato un Layer di Inversione del Gradiente (GRL) per confondere un classificatore di dominio, costringendo l'estrattore di feature a ignorare gli artefatti specifici del dominio (ad es. indirizzi MAC specifici o firme radio) e a concentrarsi sui comportamenti strutturali degli attacchi.
Allineamento CORAL: Per stabilizzare l'addestramento e ridurre il mismatch statistico del secondo ordine, viene aggiunto un loss di Allineamento della Correlazione (CORAL). Questo minimizza la distanza tra le matrici di covarianza delle attivazioni delle feature della sorgente e del target.
Scheduling Dinamico: Il peso avversariale ( $\lambda$ ) è programmato dinamicamente per garantire che il modello stabilisca rappresentazioni significative prima di applicare la piena penalità di confusione del dominio.

2.3 Calibrazione del Target Efficiente nelle Etichette

Riconoscendo che il puro trasferimento zero-shot spesso fallisce sotto estremi spostamenti di dominio, il framework impiega una fase di calibrazione del target efficiente nelle etichette.

Dopo l'addestramento DANN principale, un piccolo sottoinsieme bilanciato di dati AWID3 etichettati (1.000 pacchetti per classe nota: Normal, Deauthentication, Evil Twin) viene utilizzato per perfezionare il predittore di etichette.
Questo passaggio ri-ancora i confini decisionali al dominio target senza richiedere un'etichettatura manuale estesa.

2.4 Inferenza Disaccoppiata e Screening Open-Set

Il meccanismo di inferenza separa la classificazione delle classi note dallo screening unknown-to-source:

Predizione Classe Nota: Viene applicata la classificazione softmax standard per gli attacchi noti.
Screening delle Anomalie: I campioni con una probabilità massima di softmax inferiore a una soglia elevata ( $\tau = 0.99$ ) vengono segnalati come anomalie unknown-to-source. Ciò consente al sistema di rilevare famiglie di attacchi non presenti nel set di addestramento AWID2.
Correlazione MITM: Un motore post-inferenza correla eventi sequenziali (ad es. deauthentication seguita da attività Evil Twin) all'interno della stessa sessione di file di cattura per identificare attacchi Man-in-the-Middle (MITM) a più stadi.

3. Contributi Chiave

Il documento delinea quattro contributi primari:

Adattamento del Dominio Nativo per Wi-Fi: Un framework che mitiga lo spostamento covariante tra AWID2 e AWID3 attraverso l'allineamento semantico delle feature consapevole del protocollo, stabilendo uno spazio di rappresentazione invariante rispetto al dominio.
Allineamento della Distribuzione con Calibrazione: Un approccio ibrido che combina l'allineamento avversariale (DANN), il matching della covarianza (CORAL) e un set di supporto etichettato ristretto per la calibrazione del target, dimostrando che la calibrazione efficiente nelle etichette è critica per il recupero delle prestazioni.
Screening delle Minacce Unknown-to-Source: Un meccanismo di screening basato sulla confidenza che identifica con successo le anomalie in tutte le otto famiglie di attacchi valutate presenti solo in AWID3, andando oltre la classificazione a mondo chiuso.
Valutazione Consapevole dell'Implementazione: Un passaggio dalle metriche di accuratezza standard alla fattibilità operativa, riportando costi di errore pesati, latenza di inferenza, throughput e analisi di Explainable AI (XAI) specifica per classe per verificare la dipendenza da indicatori rilevanti del protocollo.

4. Risultati Sperimentali

Il framework è stato valutato su un sottoinsieme ridotto di AWID3 tenuto fuori (held-out) e su un set separato di file di attacco unknown-to-source.

4.1 Prestazioni delle Classi Note

Sul sottoinsieme di classi note AWID3 (52.000 pacchetti):

Accuratezza: 99,47%
Macro-F1: 0,95
Weighted-F1: 0,99
Recall: 0,99 per Deauthentication e 1,00 per il traffico Evil Twin.
Confronto: I modelli baseline (Random Forest, MLP, 1D-CNN) addestrati con gli stessi limitati etichette target hanno ottenuto punteggi Macro-F1 significativamente inferiori (compresi tra 0,26 e 0,57), evidenziando la necessità dell'allineamento avversariale.

4.2 Studio di Ablazione

Base DANN (Zero-Shot): Ha raggiunto solo il 54,36% di accuratezza, confermando che l'allineamento avversariale da solo è insufficiente per il trasferimento cross-version.
DANN + CORAL: Leggero miglioramento (54,47%), indicando che il matching della covarianza aiuta ma non risolve la distorsione dei confini.
Modello Completo: L'aggiunta della calibrazione efficiente nelle etichette è stata il fattore dominante, portando l'accuratezza al 99,47% e la Macro-F1 allo 0,95.

4.3 Screening Unknown-to-Source

Copertura a livello di File: Rilevati anomalie in 504 su 505 file di attacco valutati attraverso otto famiglie sconosciute (inclusi KRACK, Kr00k, SSH brute force e Botnet C&C).
Rilevamento a livello di Pacchetto: Variabile tra il 71,2% (Re-association Flood) e il 91,4% (SSDP Amplification).
Falsi Positivi: Su 50.000 pacchetti normali noti, il meccanismo di screening ne ha segnalati il 10,1% come anomalie. Gli autori osservano che questa è una configurazione ad alta sensibilità adatta per un pre-allarme, suggerendo l'uso dell'aggregazione temporale per ridurre la fatica da allerta durante l'implementazione pratica.

4.4 Metriche Operative

Latenza: Latenza media di inferenza di 0,0012 ms per pacchetto.
Throughput: Superato gli 814.000 pacchetti al secondo sulla workstation di test.
Costo dell'Errore Pesato: Ridotto da 20.403 (pre-adattamento) a 517 (post-adattamento), calcolato con una penalità pesante ( $\alpha=50$ ) per i falsi negativi.
Energia: Una stima analitica illustrativa di 0,0031 mJ per pacchetto (basata su un budget di 2,5W per un dispositivo edge).

4.5 Spiegabilità

L'analisi della Permutation Feature Importance (PFI) specifica per classe ha confermato che il modello adattato si basa su indicatori del protocollo IEEE 802.11 rilevanti (ad es. wlan.fc.subtype, flag deauth, RSSI) piuttosto che su artefatti specifici del dataset.

5. Significato e Rivendicazioni

Il documento sostiene di spostare il paradigma degli IDS Wi-Fi dalla classificazione a mondo chiuso verso una rilevazione delle intrusioni consapevole della trasferibilità e dell'implementazione.

Fattibilità Operativa: Il framework dimostra che un trasferimento ad alte prestazioni è possibile con un minimo di etichettatura nel dominio target, riducendo l'onere operativo del riaddestramento dei modelli per nuovi ambienti di rete.
Consapevolezza Open-Set: Trattando gli attacchi non visti come anomalie anziché come errori di classificazione di classi note, il sistema fornisce avvisi precoci per famiglie di attacchi precedentemente sconosciute senza sopravvalutare le capacità di classificazione zero-day.
Design Centrato sul Protocollo: L'integrazione dell'armonizzazione semantica delle feature e della XAI assicura che le decisioni di rilevamento siano radicate nella semantica del protocollo IEEE 802.11, aumentando l'affidabilità per i professionisti della sicurezza.

Gli autori riconoscono con modestia alcuni limiti, notando che il framework si affida all'armonizzazione manuale delle feature (che potrebbe non scalare verso futuri dataset come AWID4 senza automazione) e che le metriche di latenza/energia riportate sono benchmark a livello di modello piuttosto che misurazioni end-to-end su dispositivi embedded. Il lavoro futuro propone di esplorare l'allineamento automatico degli schemi e la correlazione in tempo reale basata su grafi per le Advanced Persistent Threats (APT).