A Novel Solution for Zero-Day Attack Detection in IDS using Self-Attention and Jensen-Shannon Divergence in WGAN-GP

Probleemstelling

De cybersecurity-landschap wordt steeds complexer door de opkomst van Zero-Day-aanvallen. Deze aanvallen maken gebruik van onbekende kwetsbaarheden in software of hardware voordat er een patch beschikbaar is. Traditionele verdedigingsmechanismen, zoals signatuur-gebaseerde Inbraakdetectiesystemen (IDS) en patchbeheer, zijn inefficiënt tegen deze nieuwe, onbekende dreigingen omdat ze afhankelijk zijn van bekende patronen.

Een veelbelovende aanpak is het gebruik van Machine Learning (ML) en Generatieve Adversariale Netwerken (GANs) om synthetische aanvalstrafiek te genereren die lijkt op Zero-Day-aanvallen, waardoor het IDS kan worden getraind op een bredere reeks scenario's. Echter, bestaande GAN-modellen kampen met twee belangrijke beperkingen:

1. Beperkte modellering van lange-afstand afhankelijkheden: Traditionele modellen (zoals standaard WGAN-GP) hebben moeite om complexe, langetermijnrelaties tussen verschillende netwerkkenmerken te vangen, wat leidt tot minder realistische data of "model collapse".
2. Onvoldoende dekking van zeldzame data: Bestaande methoden slagen er vaak niet in om de verdeling van zeldzame aanvalstypen (minderheidsklassen) en randgevallen goed te modelleren, wat essentieel is voor het detecteren van ongebruikelijke Zero-Day-aanvallen.

Methodologie

De auteurs stellen drie nieuwe generatieve modellen voor, die allemaal zijn gebaseerd op de Wasserstein GAN met Gradient Penalty (WGAN-GP), maar aangevuld met specifieke verbeteringen:

1. SA-WGAN-GP (Self-Attention):

   • Integreert een Self-Attention (SA) mechanisme in de Generator en Critic.
   • Het doel is het vangen van lange-afstand afhankelijkheden en cross-feature relaties in de netwerkdata.
   • Door kenmerken om te vormen in "tokens" na dichte projecties, kan het model dynamisch focussen op verschillende delen van de invoer, ongeacht hun positie. Dit verbetert de representatie van complexe, hoge-dimensionele data.

2. JS-WGAN-GP (Jensen-Shannon Divergence):

   • Voegt een extra Discriminator toe die is getraind met Binary Cross-Entropy (BCE) om de Jensen-Shannon (JS) divergentie tussen de echte en gegenereerde verdelingen te benaderen.
   • Deze JS-Discriminator fungeert als een regularisator voor de Generator (zonder de Critic bij te werken tijdens updates).
   • Het doel is om de kwaliteit en diversiteit van de gegenereerde data te verhogen door een scherpere onderscheiding te maken tussen verdelingen die vergelijkbaar maar niet identiek zijn, wat helpt bij het voorkomen van model collapse.

3. SA-JS-WGAN-GP (Geïntegreerde aanpak):

   • Combineert zowel het Self-Attention mechanisme als de JS-divergentie.
   • Dit model gebruikt een dynamisch gewogen gezamenlijke verliesfunctie die de bijdragen van de Generator (G), Critic (C) en JS-Discriminator (D) in evenwicht brengt.
   • Het doel is om zowel de globale afhankelijkheden (via SA) als de verdelingskwaliteit (via JS) te maximaliseren, wat leidt tot synthetische data die de werkelijke netwerkverdeling nauwkeuriger nabootst.

Experimenteel Ontwerp:

• Dataset: NSL-KDD (een standaard benchmark voor IDS).
• Zero-Day Simulatie: Er wordt gebruik gemaakt van de Leave-One-Attack-Type-Out (LOAO) methode. De R2L (Remote-to-Local) aanvalsklasse wordt volledig uit de trainingsdata verwijderd voor zowel de GANs als de IDS-modellen. De prestaties worden vervolgens getest op deze ongezette R2L-aanvallen om Zero-Day-detectie te simuleren.
• IDS Modellen: Vijf verschillende ML-modellen worden getraind en geëvalueerd: Linear SVM, C4.5 Decision Tree (DT), Deep Neural Network (DNN), Convolutional Neural Network (CNN) en Long Short-Term Memory (LSTM).

Belangrijkste Bijdragen

• Innovatieve Architectuur: De eerste toepassing van Self-Attention en JS-divergentie binnen een WGAN-GP framework specifiek voor IDS-data-augmentatie.
• Verbeterde Generalisatie: Het SA-JS-WGAN-GP model verbetert de generalisatievermogen van IDS-modellen aanzienlijk, vooral voor zeldzame en ongeziene aanvalstypen.
• Dynamische Loss Balancing: Een adaptieve methode om de weging tussen de verschillende verliescomponenten (Wasserstein en JS) te regelen, wat voorkomt dat de dominantie van de meerderheidsklasse de training verstoort.
• Robuuste Evaluatie: Een uitgebreide evaluatie die verder gaat dan standaard classificatie, inclusief simulatie van Zero-Day-aanvallen via LOAO, en analyse van de gegenereerde data-distributie via kNN en Maximum Mean Discrepancy (MMD).

Resultaten

De experimenten tonen aan dat de voorgestelde modellen de prestaties van bestaande WGAN-GP en andere state-of-the-art GAN-modellen overtreffen:

• Binary Classification: De SA-JS-WGAN-GP variant verbeterde de gemiddelde nauwkeurigheid van DT-, DNN-, CNN- en LSTM-IDS-modellen met respectievelijk 4,3%, 5,9%, 5,2% en 0,6% ten opzichte van de baseline WGAN-GP.
• Multi-Classification: SA-JS-WGAN-GP behaalde de hoogste gemiddelde nauwkeurigheid (85,9%) onder alle geteste methoden, wat een verbetering is van 7,9% ten opzichte van de baseline voor LSTM-modellen.
• Zero-Day (LOAO) Detectie:
  • Hoewel geen enkel model alle metrics perfect verbeterde, toonde SA-JS-WGAN-GP de beste balans en robuustheid.
  • Het bereikte een gemiddelde AUROC van 66,1% en een TPR@5%FPR van 19,5% voor ongezette R2L-aanvallen, wat een verbetering is van respectievelijk 10,3% en 9,3% ten opzichte van de baseline (zonder GAN).
  • Dit betekent dat de IDS-modellen, getraind met de gegenereerde data, beter in staat zijn om onbekende aanvallen te onderscheiden van normaal verkeer zonder de prestaties op bekende klassen te offeren.
• Data Kwaliteit: Analyse met MMD en kNN toonde aan dat de JS-gebaseerde modellen (JS-WGAN-GP en SA-JS-WGAN-GP) een bredere dekking bieden van lage-dichtheid en randgebieden in de data-distributie, wat essentieel is voor het detecteren van zeldzame aanvallen.

Betekenis en Conclusie

Dit onderzoek biedt een significante stap voorwaarts in de proactieve cybersecurity. Door de integratie van Self-Attention en Jensen-Shannon divergentie in WGAN-GP, kunnen verdedigers realistische synthetische data genereren die complexe, lange-afstand patronen en zeldzame aanvalstypen nabootsen.

De belangrijkste implicaties zijn:

1. Verbeterde Zero-Day Verdediging: IDS-systemen kunnen effectiever worden getraind op onbekende dreigingen door gebruik te maken van deze geavanceerde data-augmentatie.
2. Toepasbaarheid: De methode is veelbelovend voor complexe netwerkomgevingen zoals IoT en 5G, waar data-dichtheid en encryptie traditionele methoden belemmeren.
3. Toekomstige Richting: Hoewel de resultaten veelbelovend zijn, wijzen de auteurs op de noodzaak van verdere onderzoek op complexere datasets (zoals CICIDS2017) en het verminderen van de rekenkosten voor implementatie in resource-beperkte systemen.

Kortom, de paper bewijst dat het combineren van aandachtmechanismen en geavanceerde divergentie-maten in generatieve modellen een krachtige strategie is om de kwetsbaarheid van huidige IDS-systemen voor Zero-Day-aanvallen te verminderen.