PLAA: Packet-level Adversarial Attacks in Network Traffic Detection

Technische Samenvatting: PLAA: Packet-level Adversarial Attacks in Netwerkverkeersdetectie

Probleemstelling
Deep Neural Networks (DNN's) worden steeds vaker ingezet in netwerkgebaseerde Intrusion Detection Systems (NIDS) vanwege hun hoge classificatienauwkeurigheid. Deze systemen zijn echter kwetsbaar voor adversariële aanvallen die ontworpen zijn om kwaadaardig verkeer te genereren dat detectie omzeilt. Bestaande methoden voor adversariële aanvallen passen vaak technieken uit de Computer Vision (CV) aan voor het NIDS-domein, waarbij de fundamentele verschillen tussen beeldgegevens en netwerkverkeer over het hoofd worden gezien. Deze aanpassing leidt tot twee kritieke problemen:

1. Probleem van Bestaan: Netwerkverkeerkenmerken (bijv. gemiddelde pakketlengte, totaal aantal pakketten) zijn onderling afhankelijk. Het direct wijzigen van flow-niveau statistische kenmerken of het toevoegen van perturbaties zonder rekening te houden met deze afhankelijkheden, resulteert vaak in verkeer dat statistisch ongeldig is of onmogelijk te genereren in een echte netwerkomgeving.
2. Probleem van Aanvalssemantiek: Traditionele adversariële wijzigingen kunnen detectie succesvol omzeilen, maar vernietigen de oorspronkelijke semantiek van de aanval. Bijvoorbeeld: een Denial of Service (DoS) aanval vertrouwt op hoge verkeerssnelheden; als een adversariële wijziging deze snelheid verlaagt om detectie te omzeilen, functioneert het verkeer niet langer als een DoS-aanval.

Huidige mitigatiestrategieën, zoals het vergrendelen van sleutelkenmerken, post-generatie protocolaanpassingen of protocolgebaseerde linkage-transformaties, lijden aan beperkte aanvalsprestaties, verminderde effectiviteit of een zware afhankelijkheid van deskundige kennis en systeemspecifieke afstemming.

Methodologie: PLAA
Het artikel stelt PLAA (Packet-level Adversarial Attacks) voor, een nieuw framework dat de bestaan- en semantiekproblemen aanpakt door het generatieproces te verschuiven van flow-niveau statistieken naar pakket-niveau kenmerken. De kernmethodologie maakt gebruik van een Reinforcement Learning (RL) framework, specifiek een Actor-Critic architectuur, om stapsgewijs adversarieel verkeer te construeren.

• Pakket-niveau Generatie: In plaats van direct flow-niveau statistische kenmerken te genereren, genereert de agent pakketten één voor één. Elk pakket wordt gedefinieerd door vier basiskenmerken: Header Lengte ($h_i$), Payload Lengte ($p_i$), Inter-Pakket Interval ($t_i$) en Flags ($f_i$). Deze worden gecodeerd (via normalisatie of one-hot encoding) en gecombineerd om de flow-niveau statistische kenmerken te vormen die door de NIDS worden gebruikt. Deze aanpak zorgt ervoor dat het gegenereerde verkeer inherent geldig en realiseerbaar is.
• State, Action, en Reward:
  • State ($S_i$): De huidige flow-niveau statistische kenmerken afgeleid van de sequentie van de tot nu toe gegenereerde pakketten.
  • Action ($A_i$): De parameters die nodig zijn om het volgende pakket te genereren ($h_i, p_i, t_i, f_i$). De actieruimte wordt beperkt door netwerkprotocol-kennis om validiteit te waarborgen.
  • Reward Functie ($R_i$): Een samengestelde reward functie stuurt de agent aan:
    • Evasion Reward ($r^e_i$): Moedigt het verkeer aan om als onschadelijk (benign) te worden geclassificeerd door de cross-entropy loss tussen de doelklasse 'benign' en de NIDS-output te minimaliseren.
    • Semantic Preservation Reward ($r^s_i$): Bestraft afwijkingen van de oorspronkelijke semantiek van de aanval. Dit omvat het behouden van de verkeerssnelheid (cruciaal voor DoS/Brute Force) en het behouden van header/payload kenmerken.
• Threat Model: De studie gaat uit van een Gray-Box (GB) scenario waarbij de aanvaller de interne structuur of inputkenmerken van het NIDS niet kent, maar wel toegang heeft tot het systeem om classificatiefeedback te verkrijgen.

Belangrijkste Bijdragen

1. Analyse van Beperkingen: De auteurs bieden een diepgaande analyse van waarom huidige CV-aangepaste adversariële aanvallen falen in NIDS-contexten, waarbij ze specifiek wijzen op de tekortkomingen in "bestaan" en "aanvalssemantiek".
2. Nieuwe Pakket-niveau Aanpak: PLAA introduceert een sequentiële pakket-niveau kenmerkengeneratie methode. Door verkeer pakket voor pakket te construeren, lost het fundamenteel het probleem van het genereren van ongeldig verkeer op en behoudt het de oorspronkelijke aanvalssemantiek via protocol-bewuste beperkingen.
3. Empirische Validatie: De methode wordt geëvalueerd over meerdere datasets (CIC-UNSW-NB15, CIC-DDoS2019, CIC-IDS-2017) en diverse NIDS-modellen (DNN, CNN-LSTM, SVM, LR, KNN, RF).

Experimentele Resultaten
De voorgestelde methode is getest tegen zes verschillende NIDS-modellen met vijf specifieke aanvalstypen (Slow DoS, Brute Force, Probe, Generic, Fuzzers).

• Evasion Success: PLAA bereikte een gemiddelde Evasion Rate van 92,78%. Het slaagde erin om oorspronkelijk detecteerbaar kwaadaardig verkeer om te zetten in adversarieel verkeer dat door alle geteste modellen als benign werd geclassificeerd.
• Semantic Preservation: Het gegenereerde verkeer behield de vereiste aanvalssemantiek. Zo behielden Slow DoS aanvallen hun lage snelheidskarakteristieken, en behielden Brute Force aanvallen waar nodig hun hoge snelheden.
• Realisme: Een "Anomaly Score" werd gedefinieerd om de afwijking van adversarieel verkeer ten opzichte van het oorspronkelijke kwaadaardige verkeer te meten in termen van lengte, tijd en snelheid. De resultaten toonden aan dat hoewel er enige afwijkingen optraden (met name in snelheid bij Slow DoS vanwege de noodzaak om de pakketlengte te vergroten), het totale verkeer realistisch bleef en consistent was met het aanvalstype.
• Convergentie: De RL-agent vertoonde convergentie na ongeveer 4.000 training episodes, waarbij de cumulatieve rewards stabiliseerden.

Betekenis en Claims
Het artikel claimt dat PLAA een fundamentele oplossing biedt voor de beperkingen van bestaande adversariële aanvallen op NIDS. Door af te stappen van directe manipulatie op flow-niveau en een pakket-niveau, op basis van reinforcement learning gebaseerde aanpak te adopteren, zorgt de methode ervoor dat het adversariële verkeer zowel realistisch genereerbaar als semantisch consistent is met de oorspronkelijke aanvalsintentie. De auteurs benadrukken dat hun werk zich richt op de theoretische methodologie voor het genereren van dergelijk verkeer, gevalideerd door uitgebreide experimenten op basis van datasets. Zij erkennen dat toekomstig werk de overstap moet maken van dataset-gebaseerde evaluatie naar real-world kwaadaardige netwerkverkeersscenario's om de praktische toepasbaarheid verder te valideren.