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

1. Problema e Contexto

A detecção de ameaças de segurança cibernética em ambientes reais enfrenta desafios críticos, especificamente em cenários de reconhecimento de conjunto aberto (Open Set Recognition - OSR). Os sistemas tradicionais de detecção de intrusão operam sob a suposição de "conjunto fechado", falhando ao encontrar tráfego malicioso que não se encaixa nas classes de ataque conhecidas durante o treinamento.

Os principais desafios identificados são:

• Ameaças Desconhecidas: A incapacidade de detectar ataques zero-day ou variantes novas que não estavam presentes nos dados de treinamento.
• Desequilíbrio de Classes: As redes reais apresentam distribuições de classes altamente desbalanceadas (alguns ataques são raros, outros comuns), o que prejudica a generalização de modelos treinados com distribuições balanceadas.
• Falta de Interpretabilidade: Métodos existentes muitas vezes carecem de mecanismos claros para definir por que uma amostra foi classificada como "desconhecida".
• Limitações de Métodos Atuais: A maioria das abordagens atuais utiliza classificação binária simples (tráfego normal vs. ataque) ou assume distribuições balanceadas, o que não reflete a complexidade de ambientes reais com múltiplos tipos de ataques (DDoS, varredura de portas, malware, etc.).

2. Metodologia Proposta: RPM-Net

Os autores propõem o RPM-Net (Reciprocal Point MLP Network), um novo framework que integra três componentes principais para lidar com a detecção de ameaças desconhecidas em ambientes multiclasse desbalanceados:

A. Mecanismo de Pontos Recíprocos (Reciprocal Points)

Em vez de aprender apenas o que é uma classe, o modelo aprende o que não é uma classe.

• Para cada classe de ataque conhecida $k$, o modelo aprende um Ponto Recíproco ($P_k$) no espaço de características.
• Este ponto representa o centro da região do espaço de características onde não devem existir amostras da classe $k$.
• A distância entre uma amostra embutida ($z$) e seu ponto recíproco é calculada combinando a distância Euclidiana normalizada e a similaridade de cosseno. Quanto maior a distância, mais provável é que a amostra pertença àquela classe.

B. Restrições de Margem Adversarial (Adversarial Margin Constraints)

Para criar um espaço de características robusto:

• O modelo impõe restrições de margem que forçam as amostras de classes conhecidas a permanecerem dentro de uma distância específica ($R_k$) de seus respectivos pontos recíprocos.
• Isso empurra as classes conhecidas para a periferia do espaço de características, criando intencionalmente uma "espaço aberto" (open space) central.
• Ameaças desconhecidas, que não se encaixam bem em nenhuma classe conhecida, tendem a cair naturalmente neste espaço central, permitindo sua detecção sem a necessidade de amostras de classes desconhecidas durante o treinamento.

C. Regularização Discriminante de Fisher (RPM-Net++)

Para aprimorar a separação entre classes, o modelo introduz uma versão aprimorada chamada RPM-Net++:

• Adiciona uma função de perda baseada no critério de Fisher, que maximiza a razão entre a dispersão inter-classe e a dispersão intra-classe.
• Isso aumenta a compactação intra-classe (amostras da mesma classe ficam mais próximas) e a separabilidade inter-classe (classes diferentes ficam mais distantes), melhorando a precisão geral.

Função de Objetivo

O treinamento combina três objetivos:

1. Perda de Classificação (Cross-Entropy): Baseada nas distâncias aos pontos recíprocos.
2. Perda de Margem: Garante que as classes conhecidas respeitem os limites definidos.
3. Perda de Fisher: Otimiza a estrutura do espaço de características.

3. Principais Contribuições

1. Mecanismo de Pontos Recíprocos: Uma abordagem inovadora para representar espaços "não-classe" para cada categoria de ataque conhecida, permitindo a diferenciação eficaz em cenários multiclasse.
2. Construção Adaptativa de Fronteiras: Uso de restrições de margem para criar um espaço de características que acomoda naturalmente classes desconhecidas no centro, mitigando o problema do desequilíbrio de classes.
3. Regularização de Fisher: Melhoria significativa na compactação intra-classe e separação inter-classe através do RPM-Net++.
4. Estratégia Unificada de Treinamento: O modelo é treinado apenas com dados de ataques conhecidos, sem necessidade de amostras de classes desconhecidas, tornando-o prático para aplicações do mundo real.

4. Resultados Experimentais

O modelo foi avaliado nos conjuntos de dados CICIDS2017 e UNSW-NB15, comparado com métodos de base (Baseline), ODIN, OCN e EVM.

• Desempenho em CICIDS2017:

  • O RPM-Net alcançou um F1-score macro de 0,9987 para classificação de classes conhecidas.
  • Para detecção de ameaças desconhecidas, obteve um AUPR-OUT de 0,6523, superando significativamente o método EVM (0,2974).
  • Com a adição da regularização de Fisher (RPM-Net++), o AUROC aumentou de 0,9601 para 0,9735.

• Desempenho em UNSW-NB15:

  • O RPM-Net obteve um F1-score de 0,7950 e um AUPR-OUT de 0,8555.
  • O RPM-Net++ melhorou ainda mais os resultados, alcançando um F1-score de 0,7955 e um AUPR-OUT de 0,8664.

• Análise de Ablação: Os experimentos confirmaram que a regularização de Fisher contribui consistentemente para melhorar a discriminação entre classes conhecidas e desconhecidas em ambos os conjuntos de dados.

5. Significado e Impacto

O RPM-Net representa um avanço significativo na segurança cibernética ao oferecer uma solução viável para o problema de detecção de ameaças desconhecidas em ambientes multiclasse desbalanceados.

• Aplicabilidade Prática: Ao não exigir amostras de ataques desconhecidos para treinamento, o modelo pode ser implantado imediatamente em redes reais.
• Interpretabilidade Geométrica: A abordagem baseada em pontos recíprocos e margens oferece uma interpretação geométrica clara de como o modelo distingue entre ataques conhecidos e desconhecidos.
• Robustez: A capacidade de manter alta precisão em ataques conhecidos enquanto identifica novos vetores de ataque torna o framework essencial para a defesa cibernética moderna contra ataques evolutivos e zero-day.

Em resumo, o RPM-Net supera as limitações dos métodos atuais de reconhecimento de conjunto aberto, fornecendo uma ferramenta robusta e interpretável para a detecção de intrusões em cenários complexos e dinâmicos.