AdapNet-IDS: A Self-Adapting, Interpretable Deep Learning Framework for Real-Time Intrusion Detection

Sintesi Tecnica di AdapNet-IDS: Un Framework di Deep Learning Auto-Adattivo e Interpretabile per l'Intrusion Detection in Tempo Reale

Problematica

Le moderne infrastrutture di rete affrontano un panorama di minacce in rapida escalation, caratterizzato da attacchi cibernetici multi-vettore che evolvono più velocemente di quanto le difese statiche basate su regole possano adattarsi. I sistemi di Intrusion Detection (IDS) tradizionali soffrono di due limitazioni primarie:

1. Inelasticità rispetto al Concept Drift: I sistemi basati su firma falliscono contro le vulnerabilità zero-day e i payload offuscati, mentre i sistemi basati su anomalie faticano a gestire elevati tassi di falsi positivi e perdono affidabilità quando i profili di traffico cambiano in ambienti eterogenei. I modelli di deep learning esistenti spesso richiedono un riaddestramento completo quando le caratteristiche degli attacchi cambiano, portando al "catastrophic forgetting" (oblio catastrofico) delle categorie di attacco precedentemente apprese.
2. Opacità Decisionale: La natura "black box" dei classificatori di deep learning erode la fiducia degli analisti, rendendo difficile convalidare gli avvisi o soddisfare i requisiti di reporting normativo in operazioni di sicurezza ad alto rischio.

Inoltre, le soluzioni attuali non sono riuscite a unificare con successo la latenza di inferenza inferiore ai 10 ms, la prevenzione affidabile dell'oblio catastrofico e la reportistica trasparente a livello decisionale all'interno di un unico pipeline operativo.

Metodologia

AdapNet-IDS è un framework a quattro strati progettato per affrontare queste carenze attraverso un'integrazione coesa di codifica temporale bidirezionale, attenzione selettiva, apprendimento continuo e spiegabilità.

1. Condizionamento dei Dati e Feature Engineering
I dati PCAP grezzi vengono ricostruiti in flussi bidirezionali utilizzando l'identificatore 5-tuple. Ogni flusso è caratterizzato da 78 descrittori statistici, inclusi momenti distribuzionali della dimensione dei pacchetti, istogrammi dei tempi di inter-arrivo, flag di controllo TCP ed entropia di Shannon. Per affrontare lo squilibrio di classe severo (dove il traffico benigno supera di gran lunga quello di attacco), il framework applica il Borderline-SMOTE alle sottocategorie di attacco minoritarie, generando campioni sintetici vicino ai confini decisionali per approssimare un rapporto benigno-attacco di 2:1.

2. Encoder BiLSTM con Multi-Head Self-Attention
Il nucleo di rilevamento elabora i flussi come sequenze temporalmente ordinate di vettori a 78 dimensioni.

• Elaborazione Bidirezionale: Una coppia di catene LSTM elabora la sequenza in direzioni opposte (avanti e indietro), permettendo alla rappresentazione nascosta in qualsiasi posizione di integrare prove sia dai pacchetti precedenti che da quelli successivi.
• Meccanismo di Attenzione: Un modulo di self-attention a otto teste ri-pesa gli stati nascosti concatenati, amplificando gli intervalli temporali informativamente ricchi e attenuando il rumore.
• Classificazione: Il vettore riassuntivo aggregato alimenta una testa completamente connessa a due strati con regolarizzazione dropout ($p=0.3$) e un output softmax a dieci classi (un benigno, nove famiglie di attacco).

3. Motore di Adattamento Online (Elastic Weight Consolidation)
Per consentire l'apprendimento continuo senza cancellare la conoscenza precedente, il sistema impiega l'Elastic Weight Consolidation (EWC). Quando nuovi casi di attacco vengono confermati dagli analisti, essi vengono aggiunti a un buffer di replay a finestra scorrevole (5.000 campioni). L'obiettivo di addestramento minimizza una funzione di perdita composita:
$$L_{total} = L_{new} + \lambda \cdot \sum_i F_i (\theta_i - \theta_i^*)^2$$
Dove $F_i$ rappresenta la matrice dell'informazione di Fisher (sensibilità dei parametri rispetto ai task precedenti), $\theta_i^*$ sono i parametri dallo stato di addestramento precedente e $\lambda=0.4$ bilancia l'adattamento a nuove minacce rispetto al mantenimento della competenza sulle categorie stabilite.

4. Strato di Spiegabilità SHAP
Un Deep Explainer SHAP è integrato a valle per calcolare un vettore di attribuzione per ogni avviso. Questo assegna un punteggio di contributo marginale con segno a ciascuno dei 78 input, facendo emergere le 10 feature principali in report strutturati per fornire prove pronte per l'audit agli analisti di sicurezza.

Contributi Chiave

• Architettura: Un'integrazione innovativa di BiLSTM con multi-head self-attention per catturare sia il contesto dei pacchetti precedenti che di quelli successivi, affrontando i limiti dei passaggi ricorrenti unidirezionali.
• Apprendimento Continuo: Un motore abilitato EWC che permette al modello di assorbire nuove categorie di attacco tramite aggiornamenti incrementali proteggendo al contempo la conoscenza appresa dall'interferenza catastrofica.
• Interpretabilità: Un pipeline basata su SHAP che trasforma le decisioni di classificazione in giustificazioni trasparenti a livello di feature, supportando il triage degli analisti e la conformità normativa.
• Performance: Un benchmarking rigoroso che dimostra prestazioni allo stato dell'arte in termini di accuratezza, F1-score e throughput di inferenza rispetto ai baseline CNN-LSTM, Random Forest e SVM.

Risultati Sperimentali

Il framework è stato valutato su tre benchmark pubblici: NSL-KDD, CICIDS-2017 e UNSW-NB15.

• Performance di Rilevamento: Sul dataset CICIDS-2017, AdapNet-IDS ha ottenuto:
  • Accuratezza: 98,74% (un miglioramento dell'1,53% rispetto al secondo miglior modello Attention-LSTM e del 7,32% rispetto a SVM).
  • Precisione: 98,12%
  • Recall: 97,89%
  • F1-Score: 98,00%
• Studi di Ablazione: Sostituire la BiLSTM con una LSTM unidirezionale ha causato un calo dell'accuratezza dell'1,2% e un aumento dei falsi positivi del 2,1%, confermando la necessità del contesto bidirezionale per rilevare attacchi come SYN flood e Slow Loris.
• Capacità di Adattamento: In un esperimento di drift che introduceva cinque varianti di attacco inedite, il modello abilitato da EWC ha raggiunto un'accuratezza del 91,4% sulle nuove minacce (un guadagno del 14,7% rispetto a un baseline congelato) degradando la performance sulle categorie di attacco originali solo dello 0,8%.
• Latenza: L'intero pipeline (estrazione delle feature, encoding, attenzione e SHAP) opera con una latenza media di 4,3 ms per flusso, soddisfacendo la soglia dei <10 ms per l'ispezione dei pacchetti in tempo reale nelle imprese.

Significato e Rivendicazioni

Il documento sostiene che AdapNet-IDS risolve le carenze sistemiche delle soluzioni IDS basate su deep learning esistenti: la generalizzazione statica che degrada sotto il concept drift, l'oblio catastrofico durante gli aggiornamenti post-deployment e l'opacità della classificazione. Raggiungendo un'elevata accuratezza di rilevamento (98,74%) e una robusta capacità di adattamento (91,4% sulle nuove minacce) mantenendo al contempo velocità di inferenza in tempo reale (4,3 ms), il framework offre una via percorribile per una difesa intelligente e scalabile in ambienti di rete dinamici. L'inclusione della spiegabilità SHAP è evidenziata come un abilitatore critico per la fiducia degli analisti e la conformità normativa, distinguendo il sistema dalle soluzioni puramente automatizzate "black box".

Il lavoro futuro identificato dagli autori include la riformulazione dell'architettura per il federated learning, l'incorporazione della modellazione delle interazioni host basata su grafi, l'utilizzo di approssimazioni di attenzione sub-lineari (es. Informer) per ridurre ulteriormente la latenza e la conduzione di trial sul campo in infrastrutture cloud-native.