GMA-SAWGAN-GP: A Novel Data Generative Framework to Enhance IDS Detection Performance

Probleemstelling

Intrusion Detection Systems (IDS) worden vaak getraind op bekende aanvallen en presteren slecht bij het generaliseren naar onbekende bedreigingen (zero-day attacks). Bestaande oplossingen voor data-augmentatie met Generatieve Adversariale Netwerken (GANs) hebben drie fundamentele beperkingen:

1. Gemengde Feature-Representatie: Netwerkverkeer bevat zowel discrete velden (zoals protocol en service) als continue velden. Bestaande methoden gebruiken vaak One-Hot Encoding voor discrete velden, wat leidt tot extreme dimensionaliteit, sparsiteit en het verlies van semantische nabijheid. Het verwijderen van deze velden vermindert daarentegen de detectiekracht.
2. Feature-Afhankelijkheid: Bestaande modellen (zoals basis MLP's) kunnen de complexe korte- en langetermijnafhankelijkheden tussen verschillende features binnen een netwerkrecord niet effectief modelleren.
3. Instabiliteit en Mode Collapse: GAN's zijn gevoelig voor instabiliteit tijdens training, wat leidt tot "mode collapse" (het genereren van een beperkte variatie aan samples) en overfitting, vooral bij minderheidsklassen (zeldzame aanvallen).

Methodologie: GMA-SAWGAN-GP

De auteurs stellen GMA-SAWGAN-GP voor, een nieuw generatief augmentatiekader gebaseerd op een Self-Attention-verbeterde Wasserstein GAN met Gradient Penalty (WGAN-GP). De architectuur bestaat uit de volgende kerncomponenten:

1. Discrete-Aware Generator met Gumbel-Softmax:

   • De generator ($G_\theta$) behandelt discrete en continue features gescheiden.
   • Voor discrete velden wordt een Gumbel-Softmax regularisatie gebruikt over leerbare codebooks. Dit maakt het mogelijk om discrete categorische data te genereren terwijl het differentieerbaar blijft voor backpropagation, waardoor de semantische betekenis behouden blijft zonder One-Hot Encoding.
   • Voor continue velden wordt een dense laag met een $tanh$-activatie gebruikt.

2. Feature-wise Self-Attention (SA) Mechanisme:

   • In plaats van alleen sequentiële afhankelijkheden te modelleren, wordt een Self-Attention-mechanisme toegepast op de features binnen één record.
   • Dit stelt de generator in staat om zowel korte als lange afstand-afhankelijkheden tussen verschillende features te vangen, wat de realisme van de gegenereerde netwerkstromen verbetert.

3. Manifold Regularisatie via AutoEncoder (AE):

   • Een gedeelde AutoEncoder fungeert als een regularisator. Tijdens de training van de generator wordt een reconstructieverlies ($L_{AE}^g$) toegepast op de gegenereerde samples.
   • Dit dwingt de synthetische data om dicht bij de "manifold" (het onderliggende geometrische oppervlak) van de echte data te blijven, wat helpt bij het stabiliseren van de training en het voorkomen van mode collapse.

4. Entropy-gebaseerde Adaptieve Loss Gate:

   • Een lichtgewicht gating-netwerk balanceert dynamisch tussen het adversariaal verlies (GAN-doel) en het reconstructieverlies (AE-doel).
   • Door een entropie-regularisatie toe te passen op de wegingen, wordt voorkomen dat het systeem te vroeg convergeert naar één doel, wat zorgt voor een stabielere training en een betere dekking van zeldzame, maar kritieke, aanvalspatronen.

Kernbijdragen

• Discrete-Aware Synthese: Een methode die categorische semantics behoudt via Gumbel-Softmax en temperatuur-annealing, zonder de nadelen van One-Hot Encoding.
• Cross-Feature Dependence Modeling: Integratie van Self-Attention in de generator om interacties tussen discrete en continue features expliciet te modelleren.
• Stabiele Training: Een combinatie van WGAN-GP, AE-manifold regularisatie en een adaptieve loss-gate die mode collapse vermindert en de dekking van minderheidsklassen vergroot.
• Robuuste Evaluatie: Toepassing van de Leave-One-Attack-type-Out (LOAO) methode om generalisatie naar onbekende aanvallen te testen, wat zeldzamer is in de huidige literatuur.

Resultaten

De methode werd geëvalueerd op drie datasets (NSL-KDD, UNSW-NB15, CICIDS2017) met vijf verschillende IDS-modellen (o.a. CNN, LSTM, CNN-BiLSTM).

• Prestatieverbetering:
  • Binaire classificatie: Gemiddelde verbetering van 5,3% in nauwkeurigheid.
  • Multi-classificatie: Gemiddelde verbetering van 2,2% in nauwkeurigheid.
  • Generalisatie (LOAO): Voor onbekende aanvallen steeg de AUROC met 3,9% en de True Positive Rate bij 5% False Positive Rate (TPR@5%FPR) met 4,8%.
• Vergelijking met SOTA: GMA-SAWGAN-GP presteerde over het algemeen beter dan state-of-the-art GAN-methoden (zoals SYN-GAN, DAE-GAN, TMG-GAN), vooral wat betreft de dekking van de data-distributie (gevisualiseerd via PCA) en de stabiliteit van de training.
• Ablatie-studies: Bevestigden dat elke component (Self-Attention, AE, en de adaptieve gate) een significante bijdrage levert aan de totale prestatieverbetering.

Significantie

Dit paper biedt een effectieve oplossing voor het genereren van synthetisch netwerkverkeer dat zowel discrete als continue attributen correct behandelt. Door de complexiteit van gemengde data en de afhankelijkheden tussen features aan te pakken, verbetert GMA-SAWGAN-GP niet alleen de detectie van bekende aanvallen, maar vergroot het vooral de robustheid en generalisatie van IDS-systemen tegen onbekende (zero-day) aanvallen. Dit is een cruciale stap voor de beveiliging van moderne netwerken waar statische handtekeningen en beperkte trainingsdata vaak ontoereikend zijn. De methode biedt een reproduceerbaar kader voor data-augmentatie dat de kloof tussen theoretische GAN-voordelen en praktische IDS-toepassingen dicht.