Defending Network Intrusion Detection Systems Based on Graph Neural Networks Against Structural Adversarial Attacks

기술 요약: 그래프 신경망 기반 네트워크 침입 탐지 시스템의 구조적 적대적 공격 방어

문제 정의
그래프 신경 추출(GNN)은 네트워크 흐름 특징과 위상적 패턴을 모두 활용할 수 있는 능력 덕분에 네트워크 침입 탐지 시스템(NIDS)의 유망한 패러다임으로 부상했습니다. GNN 기반 분류기는 전통적인 머신러닝(ML) 탐지기에 비해 특징 기반 적대적 공격에 대해 우수한 강건성을 보여주지만, **구조적 적대적 공격(structural adversarial attacks)**에는 매우 취약합니다. 이러한 공격에서 공격자는 에지를 주입하거나 노드를 삽입하여 기초적인 네트워크 그래프 토폴로지를 변형함으로써 오분류를 유도합니다. 이러한 공격은 탈취된 호스트가 겉보기에 정상적인 트래픽을 생성함으로써 실행될 수 있기 때문에 매우 현실적이고 심각한 위협이 됩니다. 기존 문헌의 대응책들은 대개 비현실적인 가정을 전제로 하거나, 특정 공격 기법에 대한 사전 지식을 요구하거나, 실시간 배포를 저해하는 과도한 계산 비용을 발생시킵니다. 또한, 다른 ML 영역에서는 입증된 방법인 적대적 훈련(adversarial training)의 효과는 GNN 기반 NIDS라는 구체적인 맥락에서는 여전히 미개척 분야로 남아 있습니다.

방법론
저자들은 구조적 공격에 대해 GNN 기반 NIDS를 강화하기 위해 설계된 적대적 훈련 기반의 방어 프레임워크를 제안합니다. 이 방법론은 양호한(benign) 네트워크 흐름의 소스 및 목적지 엔드포인트를 수정함으로써, 프로토콜 제약을 위반하거나 트래픽 통계치를 변경하지 않고도 현실적인 에지 주입 공격을 시뮬레이션할 수 있다는 전제하에 작동합니다.

제안된 방어 전략은 다음의 2단계 과정을 따릅니다:

1. 웜업 단계(Warm-up Phase): GNN 분류기(특히 E-GraphSAGE)를 처음에 깨끗하고 변형되지 않은 네트워크 데이터로만 학습시킵니다. 이는 안정적인 결정 경계와 양호한 트래픽 및 악성 트래픽에 대한 기초적인 표현을 구축합니다.
2. 강화 단계(Hardening Phase): 학습 과정이 계속되지만, 데이터셋은 점진적으로 적대적 예시들로 증강됩니다. 이 예시들은 양호한 넷플로우(netflow)의 소스와 목적지 노드를 저차수 노드(low-degree nodes)(네트워크의 차수 분포에서 하위 1백분위 미만의 차수를 가진 노드)로 전략적으로 교체함으로써 생성됩니다.
   • 원래 흐름의 특징 벡터(예: 지속 시간, 바이트 수)는 트래픽 속성을 보존하기 위해 변경되지 않습니다.
   • 훈련 초기 단계에서 모델이 불안정해지는 것을 방방지하기 위해 섭동 강도($\epsilon_t$)를 에포크(epoch)에 따라 점진적으로 증가시킵니다.
   • 이 과정은 효과적으로 저차수 노드 사이에 새로운 양호한 에지를 주입하여, 원래의 흐름 특징을 유지하면서도 공격자가 도입하는 구조적 노이즈를 시뮬레이션합니다.

주요 기여

• 새로운 적대적 샘플 생성 기법: 본 논문은 NIDS 도메인을 위한 구조적 적대적 예시 생성 전략을 도입합니다. 양호한 흐름의 엔드포인트를 저차수 노드로 교체함으로써, 이 방법은 정당한 그래프 구성 요소를 제거하거나 흐름 통계치를 변경하지 않고도 에지 주입 공격(C2xB 및 C2xM)과 노드 추가 공격을 모사합니다.
• GNN-NIDS를 위한 적대적 훈련 프레임워크: 본 연구는 적대적 훈련을 GNN 기반 NIDS에 적용하고 최적화함으로써 기존 문헌의 공백을 메우며, 복잡한 모델 아키텍처 변경이나 특정 공격 벡터에 대한 사전 지식 없이도 적대적 훈련이 효과적일 수 있음을 입증합니다.
• 실증적 검증: 제안된 방식은 E-GraphSAGE를 기본 분류기로 사용하여 널리 사용되는 기업 네트워크 데이터셋인 CTU-13과 TON-IoT에서 평가되었습니다. 연구는 에지 추가, 노드 추가 및 이들의 조합을 포함한 다양한 공격 시나리오를 다룹니다.

실험 결과
실험 캠페인은 두 가지 주요 결과를 도출했습니다:

1. 클린 성능(Clean Performance): 강화된 분류기는 변형되지 않은 깨끗한 그래프에서도 높은 탐지 성능을 유지했습니다. 많은 시나리오에서 강화된 모델의 F1-스코어는 베이스라인 모델보다 약간 더 우수했습니다(예: CTU-13에서 평균 F1-스코어 0.962 대 0.959). 이는 방어 기법이 정상 조건 하에서 알려진 공격을 탐지하는 능력을 저해하지 않음을 나타냅ers.
2. 적대적 강건성(Adversarial Robustness): 강화된 모델은 깨끗한 데이터로만 학습된 베이스라인 모델에 비해 구조적 공격에 대해 현저히 향상된 회복력을 보여주었습니다.
   • C2xB 공격(탈취된 호스트로부터 양호한 에지를 주입)에 대해, 강화된 모델은 상당한 개선을 보였습니다. 예를 들어, Menti 봇넷의 경우 섭동 단계에 따른 평균 탐지율(DR)이 0.027(베이스라인)에서 0.926(강화 모델)으로 증가하여 약 90%의 절대적 향상을 기록했습니다.
   • 강화된 탐지기는 다양한 공격 강도와 유형(C2xB, C2xM, Add Node) 전반에 걸쳐 베이스라인 모델보다 일관되게 우수한 성능을 보였으나, 모든 고강도 시나리오에서 완벽한 탐지가 달성되지는 않았습니다.

의의
본 논문은 제안된 방어책이 GNN 기반 NIDS를 실제 환경에 배포하기 위한 실용적이고 효율적인 전략을 제공한다고 주장합니다. 양호한 흐름의 섭동을 위해 저차수 노드 교체에 집중함으로써, 이 방법은 기존의 적대적 데이터나 계산 비용이 많이 드는 섭동 생성 절차에 의존하지 않고도 현실적인 구조적 위협에 대한 탐지기의 회복력을 강화합니다. 결과는 적대적 훈련이 GNN의 위상적 조작에 대한 취약성을 효과적으로 완화할 수 있음을 시사하며, 이를 통해 현대 네트워크 보안의 방어 체계에 존재하는 중요한 공백을 해결합니다.