Mitigating Evasion Attacks in Fog Computing Resource Provisioning Through Proactive Hardening

Titel: Mitigatie van Ontwijkingsaanvallen in Fog Computing Resource Provisioning via Proactieve Verharding

1. Probleemstelling

Fog computing-netwerken zijn essentieel voor het verminderen van latentie en verkeerscongestie door rekenkracht dichter bij de data-bron te brengen. Een kritieke uitdaging in deze dynamische omgeving is het efficiënt toewijzen van resources (Virtual Machines of VM's) aan werklasten (zoals CPU-vereisten, I/O, en vertraging). Traditionele statische systemen falen vaak bij heterogene en onvoorspelbare werklasten, waardoor Machine Learning (ML), en specifiek onbewaakte leertechnieken zoals k-means clustering, worden ingezet voor resource provisioning.

Het artikel identificeert echter een ernstig beveiligingsrisico: ML-modellen voor resource provisioning zijn kwetsbaar voor tegenstander-aanvallen (adversarial attacks). Specifiek richt de studie zich op een meervoudige aanval die de integriteit van het k-means model ondermijnt, wat leidt tot:

• Resource-overbelasting: VM's krijgen te zware werklasten toegewezen.
• Verlies van kritieke taken: Werklasten vallen buiten hun Service Level Agreement (SLA) door te hoge eind-tot-eind-vertraging (E2E delay) of pakketverlies.
• Ontwijkingsaanvallen (Evasion): Een aanvaller manipuleert de invoer zodat het model werklasten verkeerd classificeert, vaak richting resources die al beperkt zijn.

2. Methodologie

De auteurs modelleren een Fog Computing-scenario waarin een "Dispatcher" algoritme werklasten toewijst aan VM's op basis van een k-means clustering. Het systeem werkt in twee fasen:

1. Offline fase: Clustering van historische werklasten om centroids (gemiddelde eisen) te bepalen.
2. Online fase: Classificatie van nieuwe, binnenkomende werklasten naar de bestaande clusters.

De aanvalsstrategie wordt gemap naar het MITRE ATLAS-framework en bestaat uit drie fasen:

• Fase 1: Ontdekkingsaanval (Exploratory Attack):
  De aanvaller gebruikt query-based reverse engineering. Door systematisch valse verzoeken (queries) in te dienen, probeert de aanvaller de beslissingsgrenzen (Voronoi-diagram) van de k-means classifier te reconstrueren. Dit gebeurt door de grensgebieden tussen clusters te lokaliseren waar de classificatie verandert, gebruikmakend van Stochastic Gradient Descent (SGD) om de hyperplannen te benaderen.

• Fase 2: Ontwijkingsaanval (Evasion Attack):
  Zodra de grenzen bekend zijn, genereert de aanvaller adversarial examples. Dit zijn legitieme werklasten die met kleine, geoptimaliseerde verstoringen ($\gamma$) worden gemodificeerd. Het doel is om deze werklasten over de beslissingsgrens te duwen naar een cluster met een lagere resource-capaciteit (bijv. een VM met minder CPU), terwijl ze er nog steeds als legitiem uitzien voor het systeem.

• Fase 3: Oorzakelijke Aanval (Causative Attack):
  In de offline fase worden de vergiftigde data (de gemodificeerde werklasten) gebruikt om het model opnieuw te trainen of te verstoren. Dit leidt tot een verschuiving van de centroids, waardoor het model structureel fouten maakt en kritieke werklasten naar overbelaste VM's stuurt.

Defensie: Proactieve Verharding (Adversarial Training)
Om dit te mitigeren, stellen de auteurs een proactieve verdediging voor: Adversarial Training.

• Het model wordt getraind met zowel normale als "geattacked" voorbeelden.
• Tijdens het trainingsproces worden perturbaties ($\tilde{\gamma}$) gegenereerd met de Projected Gradient Descent (PGD) methode om de ergste mogelijke fouten te simuleren.
• Het model leert dan om deze perturbaties te negeren, waardoor de classificatie robuust blijft ($\arg C(r_m) = \arg C(r_m + \tilde{\gamma}_m)$).

3. Belangrijkste Bijdragen

• Identificatie van een nieuwe aanvalsvlak: De paper toont aan dat ML-based resource provisioning in Fog Computing kwetsbaar is voor een combinatie van ontdekkings- en ontwijkingsaanvallen die specifiek gericht zijn op het overbelasten van VM's.
• Implementatie van MITRE ATLAS: De aanvalsscenario's worden gestructureerd binnen het MITRE ATLAS raamwerk, wat een standaard biedt voor het analyseren van ML-beveiliging.
• Proactieve Hardening: In plaats van reactieve detectie (zoals anomaly detection), wordt een proactieve aanpak voorgesteld waarbij het model van tevoren wordt versterkt tegen manipulatie via adversarial training.
• Validatie in een realistisch scenario: De studie simuleert een compleet Fog-netwerk met diverse eindapparaten (IoT, UAV, V2X) en toont de impact op Resource Utilization (RU) en Task Drop (TD).

4. Resultaten

De simulaties, uitgevoerd in Python, tonen de volgende resultaten:

• Prestaties zonder aanval: Het ML-gebaseerde systeem (Dispatcher) presteert aanzienlijk beter dan statische VM-toewijzing. Bij een optimale instelling ($\Lambda = 1.5$) wordt een Resource Utilization (RU) van 71,35% bereikt met een lage Task Drop (TD) van 6%.
• Impact van de aanval: Wanneer het niet-verharde model wordt aangevallen, stijgt de RU kunstmatig naar 100% (door overbelasting van de VM's), maar de TD explodeert naar 38,46%. Dit betekent dat bijna 40% van de taken faalt of te laat wordt geleverd.
• Effectiviteit van de verdediging: Na toepassing van adversarial training (proactieve verharding) herstelt het systeem zijn prestaties bijna volledig:
  • RU daalt terug naar een gezond niveau (ongeveer 71,35%).
  • TD daalt terug naar 6,21%, vergelijkbaar met de situatie zonder aanval.
• Complexiteit: De extra rekentijd voor adversarial training is lineair afhankelijk van het aantal clusters en de dimensie van de data, maar kan worden gemanaged door parallelle verwerking.

5. Significantie en Conclusie

Deze studie is significant omdat het een van de eerste werken is dat specifiek de kwetsbaarheid van k-means gebaseerde resource provisioning in Fog Computing analyseert en een werkende oplossing biedt.

• Beveiliging van kritieke infrastructuur: Het bewijst dat zonder verdediging, ML-systemen in Fog-netwerken kwetsbaar zijn voor manipulatie die leidt tot service-uitval.
• Proactieve vs. Reactieve: Het benadrukt dat reactieve methoden (zoals het filteren van verdachte data) vaak te traag of te complex zijn voor real-time Fog-netwerken. Proactieve verharding via adversarial training is een effectievere strategie om de integriteit van het toewijzingssysteem te garanderen.
• Toekomstperspectief: De resultaten onderstrepen de noodzaak om ML-modellen in kritieke netwerkinfrastructuur niet alleen te trainen op nauwkeurigheid, maar ook op weerbaarheid tegen tegenstanders.

Kortom, de paper demonstreert dat door middel van adversarial training een ML-gedreven resource provisioning systeem kan worden "gehard" tegen geavanceerde ontwijkingsaanvallen, waardoor de betrouwbaarheid en stabiliteit van Fog computing-netwerken behouden blijft.