RPM-Net Reciprocal Point MLP Network for Unknown Network Security Threat Detection

Titel

RPM-Net: Reciprocal Point MLP Network voor Detectie van Onbekende Netwerkbeveiligingsbedreigingen

1. Het Probleem

De detectie van onbekende cyberbedreigingen in een omgeving met meervoudige klassen en een onbalans in de data (waarbij sommige aanvallen veel vaker voorkomen dan andere) is een kritieke uitdaging voor de cyberspace-beveiliging. Bestaande methoden hebben te kampen met drie hoofdproblemen:

• Open Set Recognition (OSR) beperkingen: Veel huidige methoden gebruiken simpele binaire classificatie (normaal vs. één type aanval) of gaan uit van een gebalanceerde verdeling van klassen. Dit werkt niet goed in realistische netwerksituaties met diverse aanvalstypes (zoals DDoS, port scanning, malware) en sterk variërende frequenties.
• Gebrek aan interpretatie: Bestaande modellen missen vaak een mechanisme om de relatie tussen bekende klassen te modelleren en een feature-ruimte te construeren die natuurlijk ruimte biedt voor onbekende dreigingen.
• Oververzekerdheid: Traditionele gesloten-set classifiers maken vaak oververzekerde voorspellingen voor malafide activiteiten die buiten de trainingsverdeling vallen.

2. Methodologie: RPM-Net

De auteurs stellen RPM-Net voor, een nieuw raamwerk voor open-set herkenning dat specifiek is ontworpen voor multi-class, onbalans netwerkintrusiedetectie. De architectuur bestaat uit vier kerncomponenten:

A. Feature Extractor

Een Multi-Layer Perceptron (MLP) met ReLU-activaties en Dropout-regulering die netwerkstroomdata ($x$) omzet in een ingebedde vector ($z$) in een $m$-dimensionale ruimte.

B. Reciprocal Points (RP) Mechanisme

In plaats van alleen centra van klassen te leren, introduceert RPM-Net reciprocal points ($P_k$) voor elke bekende klasse $k$.

• Concept: Een reciprocal point vertegenwoordigt "wat een klasse niet is". Het fungeert als het centrum van een gebied in de feature-ruimte dat geen samples van klasse $k$ mag bevatten.
• Berekening: De afstand $d(z, P_k)$ tussen een embedding $z$ en het reciprocal point wordt berekend als een combinatie van de genormaliseerde Euclidische afstand en de cosine-similariteit.
• Logit: De classificatie-logit wordt afgeleid van deze afstand, waarbij een grotere afstand aangeeft dat het sample waarschijnlijk tot die klasse behoort.

C. Adversariële Margin Constraints

Om de feature-ruimte te structureren, worden learnable marges ($R_k$) toegepast.

• Doel: Bekende samples worden gedwongen om binnen een bepaalde afstand ($R_k$) van hun reciprocal point te blijven.
• Effect: Dit creëert een "open ruimte" in het centrum van de feature-ruimte voor onbekende dreigingen, terwijl bekende klassen naar de periferie worden geduwd. Dit lost het probleem van onbalans op zonder dat onbekende samples nodig zijn tijdens het trainen.

D. Fisher Discriminant Regularisatie (RPM-Net++)

Voor verdere verbetering wordt een extra regularisatieterm toegevoegd (RPM-Net++).

• Fisher Criterium: Deze term maximaliseert de verhouding tussen de inter-class spreiding ($S_b$) en de intra-class spreiding ($S_w$).
• Doel: Het vergroot de compactheid binnen een klasse en de scheiding tussen verschillende klassen, wat de discriminatie tussen bekende en onbekende klassen verbetert.

Trainingsdoel: De totale loss functie combineert Cross-Entropy (gebaseerd op RP-afstanden), Margin Loss en Fisher Loss.

3. Belangrijkste Bijdragen

1. Reciprocal Point Mechanisme: Een innovatieve aanpak om "niet-klassen" representaties te leren, waardoor effectieve differentiatie tussen meerdere aanvalstypes mogelijk is.
2. Fisher Regularisatie: Een methode om de intra-class compactheid en inter-class scheidbaarheid te verhogen, wat leidt tot een robuustere feature-ruimte.
3. Adaptieve Grensbouw: Het gebruik van margin constraints om een feature-ruimte te creëren die onbekende klassen natuurlijk omvat, specifiek ontworpen voor onbalans in multi-class omgevingen.
4. Unificatie: Een trainingsstrategie die uitsluitend gebruikmaakt van bekende aanvaldata om een open-set herkenningssysteem te bouwen, zonder dat onbekende voorbeelden nodig zijn.

4. Resultaten

Het model is getest op twee veelgebruikte datasets: CICIDS2017 en UNSW-NB15. De prestaties werden vergeleken met state-of-the-art methoden zoals Baseline, ODIN, OCN en EVM.

• CICIDS2017:
  • RPM-Net++ bereikte een F1-score van 99,79% voor bekende klassen.
  • Voor de detectie van onbekende dreigingen werd een AUPR-OUT van 67,11% bereikt, wat aanzienlijk hoger is dan de concurrent EVM (29,74%).
  • De AUROC steeg van 0,9601 (basis) naar 0,9735 (met Fisher regularisatie).
• UNSW-NB15:
  • RPM-Net++ behaalde een F1-score van 79,55% en een AUPR-OUT van 86,64%.
  • Ook hier overtrof het model alle vergelijkende methoden consistent.

Ablatiestudie: De resultaten tonen aan dat het toevoegen van de Fisher discriminant regularisatie (RPM-Net++) de prestaties op alle metrieken (AUROC, AUPR-IN, AUPR-OUT) significant verbetert ten opzichte van de basis RPM-Net.

5. Betekenis en Conclusie

RPM-Net biedt een praktische oplossing voor real-world netwerkbeveiliging door het probleem van onbekende dreigingen in een onbalans omgeving aan te pakken.

• Interpretatie: Het model biedt geometrische interpretatie van hoe onbekende dreigingen worden gedetecteerd (door de positie in de feature-ruimte ten opzichte van de reciprocal points).
• Toepasbaarheid: Omdat het geen onbekende voorbeelden nodig heeft tijdens het trainen, is het direct inzetbaar in productieomgevingen waar nieuwe aanvallen per definitie onbekend zijn.
• Impact: De methode overwint de beperkingen van bestaande gesloten-set classifiers en biedt een robuustere basis voor vroege waarschuwingssystemen tegen geavanceerde cyberaanvallen.

De code is beschikbaar gesteld op GitHub, wat de reproduceerbaarheid en verdere ontwikkeling in de gemeenschap faciliteert.