Boundary-Seeking GAN-Augmented TabTransformer for Adversarially Robust Intrusion Detection

Technische Samenvatting: Grenszoekende GAN-geaugmenteerde TabTransformer voor Adversariële Robuuste Intrusion Detection

Probleemstelling
Machine learning-gebaseerde Intrusion Detection Systems (IDS) worden in moderne netwerkomgevingen geconfronteerd met twee kritieke uitdagingen: ernstige klasse-imbalans en kwetsbaarheid voor adversariële aanvallen. In datasets zoals CICIDS2017 overtreft de hoeveelheid legitiem verkeer (benign traffic) de hoeveelheid aanvalsverkeer (attack traffic) aanzienlijk (bijv. Infiltratie-monsters vormen een minuscuul fractie), wat leidt tot een bias van modellen naar de meerderheidsklasse. Bovendien kunnen modellen weliswaar een hoge nauwkeurigheid bereiken op schone data, maar ze kunnen instorten wanneer ze worden gepresenteerd aan subtiel gemanipuleerde inputs die ontworpen zijn om detectie te omzeilen. Bestaand onderzoek behandelt deze problemen doorgaans afzonderlijk: Generative Adversarial Networks (GANs) worden gebruikt voor data-augmentatie om imbalans op te lossen, terwijl robuustheid vaak wordt geëvalueerd met afzonderlijke frameworks. Geen enkel bestaand framework combineert een self-attention tabulaire classifier met een enkele generatieve model die tegelijkertijd dient als een engine voor minderheidsklasse-augmentatie en als een generator voor adversariële samples voor robuustheidsevaluatie.

Methodologie
De auteurs stellen een tweeledig framework voor dat een Boundary-Seeking Generative Adversarial Network (BGAN) integreert met een TabTransformer classifier.

1. Dataset en Preprocessing: De studie maakt gebruik van de CICIDS2017-dataset, bestaande uit ongeveer 2,8 miljoen flows over acht klassen. De data wordt voorbewerkt om 78 flow-statistische kenmerken (bijv. pakketcounts, duur, TCP-flags) te extraheren. De trainingsset ondergaat een gestratificeerde splitsing (80:20), waarbij het legitieme verkeer wordt ondersampled naar 200.000 monsters om dominantie te verminderen, terwijl de testset de oorspronkelijke proporties behoudt.
2. BGAN Augmentatie: In tegenstelling tot standaard GANs die samples genereren over de gehele distributie, is BGAN getraind om samples te genereren nabij de beslissingsgrens tussen legitieme en kwaadaardige klassen. Dit wordt bereikt met behulp van een belangrijksgewicht $w(x) = D(x) / (1 - D(x))$, waarbij de nadruk ligt op ambigue samples waar de discriminator-output nabij 0,5 ligt.
   • Dubbele Rol: De getrainde BGAN genereert synthetische samples om minderheidsklassen (Botnet, Web_Attack, Infiltration) te augmenteren en genereert tegelijkertijd adversariële samples om de classifier te testen op robuustheid.
   • Omgaan met Extreme Imbalans: Voor de Infiltration-klasse, die slechts 29 trainingssamples had, slaagde de BGAN er niet in te convergeren (Wasserstein-afstand > 8,0). Bijgevolg werd een Gaussian noise fallback gebruikt voor deze specifieke klasse in het "Mixed" scenario, terwijl Botnet en Web_Attack werden geaugmenteerd met BGAN-gegenereerde samples tot maximaal 6.000 elk.
3. TabTransformer Classifier: Het classificatiemodel maakt gebruik van de TabTransformer, die self-attention mechanismen gebruikt om relaties tussen tabulaire kenmerken direct te modelleren, in plaats van ze onafhankelijk te behandelen. Het model verwerkt 78 continue kenmerken via embeddings en twee Transformer-blokken voordat een multilayer perceptron-kop de uiteindelijke classificatie produceert.
4. Evaluatiemetrieken: Prestaties worden gemeten met behulp van Accuracy, Precision, Recall en Macro-F1. Adversariële robuustheid wordt gekwantificeerd via:
   • Performance Drop Rate (PDR): De relatieve degradatie in F1-score wanneer schone testsamples worden vervangen door BGAN-gegenereerde adversariële samples.
   • False Triggered Rate (FTR): De snelheid waarmee legitieme samples verkeerd worden geclassificeerd na het toevoegen van kleine Gaussian perturbaties.

Belangrijkste Bijdragen

• Dual-Purpose Framework: Het artikel introduceert een verenigd framework waarbij een enkel BGAN-model zowel de klasse-imbalans (via augmentatie) als de robuustheidsevaluatie (via adversariële samplegeneratie) aanpakt, een combinatie die voorheen niet werd bereikt in flow-gebaseerde IDS.
• Extensie naar Multi-Class Adversariële Condities: Het werk breidt eerder TabTransformer-gebaseerd IDS-onderzoek uit van binaire classificatie naar multi-class scenario's onder adversariële condities.
• Gekwantificeerde Robuustheid: De studie biedt een rigoureuze evaluatie van robuustheid via PDR en FTR, en demonstreert dat augmentatie modellen kan transformeren van volledig kwetsbaar (100% prestatieverlies) naar veerkrachtig.

Resultaten

• Classificatieprestaties: Op de CICIDS2017-dataset verbeterde de BGAN-geaugmenteerde TabTransformer de Macro-F1 score van 82,96% (Baseline) naar 86,50%. De meest significante verbetering werd waargenomen in de Web_Attack klasse, waar de F1-score steeg van 0,29 naar 0,61. Hoewel Random Forest en Decision Tree hogere algemene Macro-F1 scores behaalden op schone data (ongeveer 96%), bereikten zij niet de robuustheid van de geaugmenteerde TabTransformer.
• Adversariële Robuustheid (PDR):
  • Baseline Modellen: Alle modellen zonder augmentatie ervoeren een Performance Drop Rate van 100% tijdens adversariële testen, wat duidt op totaal falen tegen aanvallen nabij de grens.
  • Geaugmenteerde Modellen: Alle BGAN-geaugmenteerde modellen (behalve het Mixed scenario voor Infiltration) bereikten negatieve PDR-waarden, wat betekent dat hun prestaties standhielden of verbeterden onder aanval. Bijvoorbeeld, de TabTransformer bereikte een PDR van -24,75% voor Botnet en -9,80% voor Infiltration.
• Ruisresistentie (FTR): De TabTransformer met volledige BGAN-augmentatie behield een stabiele en lage False Triggered Rate (1,51%–2,92%) bij verschillende ruisniveaus. In contrast hiermee zagen Decision Trees geaugmenteerd met BGAN hun FTR zien pieken naar 49,09% onder legitieme perturbaties, wat aangeeft dat GAN-data boomstructuurmodellen kan destabiliseren.

Significantie en Claims
De auteurs beweren dat het voorgestelde BGAN-TabTransformer framework een effectieve en adaptieve oplossing biedt voor intrusion detectie in adversariële netwerkomgevingen. De studie demonstreert dat:

1. Robuustheid is bereikbaar: Blootstelling aan grenszoekende synthetische samples tijdens de training verandert de fundamentele gedraging van het model, waardoor de totale ineenstorting die wordt gezien bij niet-geaugmenteerde modellen wordt voorkomen.
2. Architectuur doet ertoe: Het self-attention mechanisme van de TabTransformer, gecombineerd met trainingdata uit de grensregio, levert superieure generalisatie en veerkracht op vergeleken met boomstructuurmodellen of standaard MLPs, die gevoeliger zijn voor overfitting op specifieke generator-signatures of ruis.
3. Dubbel nut: Een enkel generatief model kan effectief dienen als zowel een data-augmentatietool voor zeldzame klassen als een rigoureuze stress-test mechanisme voor modelbeveiliging.

Het artikel concludeert met bescheiden beperkingen, waarbij wordt opgemerkt dat de Infiltration-klasse moeilijk te modelleren blijft vanwege extreme schaarste (wat in de toekomst few-shot learning vereist), de precisie van Web_Attack laag blijft door feature overlap, en de evaluatie momenteel beperkt is tot offline, gecontroleerde settings in plaats van live netwerkimplementatie.