Defending Network Intrusion Detection Systems Based on Graph Neural Networks Against Structural Adversarial Attacks
Dit artikel stelt een framework voor adversariële training voor dat Graph Neural Network-gebaseerde systemen voor detectie van netwerkinbrausies versterkt tegen structurele aanvallen door middel van het genereren van adversariële monsters via strategische node-vervanging, waarbij een verbeterde robuustheid en detectieprestaties op de CTU-13 en TON-IoT datasets worden aangetoond.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de digitale wereld lijkt de informatiestroom op een uitgestrekte, levende stad. Elke keer dat een computer een bericht naar een andere stuurt, laat het een spoor achter, een verbinding tussen twee punten. Beveiligingssystemen die ontworpen zijn om over deze digitale steden te waken, hebben lang vertrouwd op het tellen van de attributen van individuele berichten: hoe lang ze duren, hoeveel data ze dragen en waar ze vandaan komen. Echter, een nieuwere generatie beveiligingsinstrumenten is begonnen de stad als geheel te bekijken. In plaats van alleen individuele auto's te onderzoeken, bestuderen deze systemen de kaart van het gehele wegennetwerk, in het besef dat het patroon van verbindingen tussen gebouwen vaak meer onthult over een dreiging dan de auto zelf. Deze aanpak maakt gebruik van een type kunstmatige intelligentie dat netwerkverkeer behandelt als een web van verbonden punten, waardoor het complexe, meerstapsaanvallen kan opsporen die eenvoudigere systemen wellicht zouden missen. Toch, net zoals een stadsplanner misleid kan worden door een plotselinge, valse weg toegevoegd aan een kaart, hebben deze geavanceerde systemen een verborgen zwakte. Als een aanvaller de verbindingen in het netwerk subtiel kan veranderen, kan hij het systeem in verwarring brengen, waardoor het een gevaarlijke indringing mist.
Onderzoekers in Italië en Spanje zijn gestart met het oplossen van deze kwetsbaarheid. Ze richtten zich op een specifiek type kunstmatige intelligentie dat bekend staat als een Graph Neural Network, dat bijzonder goed is in het begrijpen van deze verbonden webben. Hoewel deze netwerken sterk zijn tegen aanvallers die proberen de details van een enkel bericht aan te passen, zijn ze verrassend fragiel wanneer een tegenstander de structuur van het netwerk zelf verandert. Een aanvaller zou bijvoorbeeld de controle kunnen overnemen van een stille, zelden gebruikte computer en deze kunnen dwingen om onschadelijk lijkende berichten naar willekeurige andere computers te sturen. Deze actie creëert nieuwe, valse verbindingen in de netwerkkaart. Voor de kunstmatige intelligentie zien deze nieuwe links eruit als normaal verkeer, maar ze vervormen de algehele vorm van het netwerk net genoeg om een echte aanval te verbergen. De onderzoekers ontdekten dat zonder bescherming deze structurele trucs konden ervoor zorgen dat het beveiligingssysteem bijna volledig faalde, waarbij tot negentig procent van de dreigingen die het bedoeld was te vangen, werden gemist.
Om een verdediging te bouwen, ontwikkelde het team een trainingsmethode die de kunstmatige intelligentie leert deze trucs te herkennen voordat ze plaatsvinden. Ze probeerden niet de software te patchen of de interne architectuur te veranderen. In plaats daarvan veranderden ze de manier waarop het systeem leert. In een proces dat vergelijkbaar is met hoe een brandweerman traint door te oefenen met gecontroleerde branden, voedden de onderzoekers het beveiligingssysteem met een mix van normale gegevens en zorgvuldig vervaardigde scenario's. Ze namen duizenden onschadelijke, alledaagse netwerkberichten en pasten deze subtiel aan. Ze hielden de inhoud van de berichten exact hetzelfde, maar veranderden de start- en eindpunten, door ze te verplaatsen naar computers die nauwelijks verbonden waren met de rest van het netwerk. Dit creëerde een nieuwe set trainingsvoorbeelden waarbij de netwerkstructuur er iets anders uitzag, wat de manipulatie nabootste die een aanvaller zou gebruiken. Door het systeem tijdens de leerfase bloot te stellen aan deze gemodificeerde patronen, dwongen de onderzoekers het om minder afhankelijk te zijn van de specifieke vorm van het netwerk en meer gefocust te zijn op de werkelijke inhoud van het verkeer.
De resultaten van deze training waren opmerkelijk. De onderzoekers testten hun verharde systeem op twee grote collecties van echt netwerkverkeer, één van een universiteit en een andere van een diverse set internetapparaten. Wanneer ze het getrainde systeem onderwierpen aan dezelfde structurele aanvallen die eerder de ongetrainde versies hadden verslagen, was de verbetering spectaculair. In de meest succesvolle gevallen sprong het vermogen van het systeem om aanvallen onder zware aanval te detecteren van een bijna totaal falen naar een succespercentage van meer dan negentig procent. Het systeem leerde de ruis van de valse verbindingen te negeren en te focussen op het ware signaal van de dreiging. Cruciaal was dat deze bescherming niet ten koste ging van iets. Wanneer het systeem werd getest op normaal, ongewijzigd verkeer, presteerde het net zo goed als voorheen, en in sommige gevallen zelfs iets beter. De training maakte het systeem niet verward of langzamer; het maakte het simpelweg taaier.
Dit werk demonstreert dat de beste manier om een systeem te verdedigen tegen structurele manipulatie is door het te leren het onverwachte te verwachten. Door de specifieke manieren te simuleren waarop een aanvaller zou kunnen proberen de netwerkkaart te vervormen, creëerden de onderzoekers een beveiligingsinstrument dat veerkrachtig is tegen echte misleiding. De studie bevestigt dat hoewel deze geavanceerde netwerkdetectoren krachtig zijn, ze een specifieke soort voorbereiding vereisen om te overleven in een vijandige omgeving. De methode die zij voorstelden is praktisch en efficiënt, en vertrouwt op de gegevens die het systeem al heeft in plaats van te vereisen dat er dure nieuwe hardware of onmogelijke kennis van toekomstige aanvallen nodig is. Het biedt een duidelijke weg voorwaarts voor het beveiligen van de digitale steden van de toekomst, waarbij wordt gewaarborgd dat de kaarten waarop we vertrouwen om gevaar te zien accuraat blijven, zelfs wanneer iemand probeert de lijnen te hertekenen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.