PLAA: Packet-level Adversarial Attacks in Network Traffic Detection

Resumo Técnico: PLAA: Ataques Adversários em Nível de Pacote em Detecção de Tráfego de Rede

Definição do Problema
Redes Neurais Profundas (DNNs) são cada vez mais implantadas em Sistemas de Detecção de Intrusão Baseados em Rede (NIDS) devido à sua alta precisão de classificação. No entanto, esses sistemas são vulneráveis a ataques adversários projetados para gerar tráfego malicioso que evade a detecção. Os métodos de ataque adversário existentes frequentemente adaptam técnicas da Visão Computacional (CV) para o domínio de NIDS, negligenciando diferenças fundamentais entre dados de imagem e tráfego de rede. Essa adaptação leva a dois problemas críticos:

1. Problema de Existência: As características do tráfego de rede (ex: comprimento médio do pacote, contagem total de pacotes) são interdependentes. Modificar diretamente as características estatísticas de fluxo ou adicionar perturbações sem considerar essas dependências frequentemente resulta em um tráfego que é estatisticamente inválido ou impossível de gerar em um ambiente de rede real.
2. Problema de Semântica de Ataque: Modificações adversárias tradicionais podem ter sucesso em evadir a detecção, mas destroem a semântica do ataque original. Por exemplo, um ataque de Negação de Serviço (DoS) depende de altas taxas de tráfego; se uma modificação adversária reduz essa taxa para evadir a detecção, o tráfego deixa de funcionar como um ataque DoS.

As estratégias de mitigação atuais, como o bloqueio de características-chave, ajustes de protocolo pós-geração ou transformações de ligação baseadas em protocolos, sofrem com desempenho de ataque restrito, eficácia reduzida ou uma forte dependência de conhecimento especializado e adaptação específica ao sistema.

Metodologia: PLAA
O artigo propõe o PLAA (Packet-level Adversarial Attacks), um novo framework que aborda os problemas de existência e semântica ao deslocar o processo de geração das estatísticas de nível de fluxo para as características de nível de pacote. A metodologia central emprega um framework de Aprendizado por Reforço (RL), especificamente uma arquitetura Actor-Critic, para construir incrementalmente o tráfego adversário.

• Geração em Nível de Pacote: Em vez de gerar características estatísticas de nível de fluxo diretamente, o agente gera pacotes um a um. Cada pacote é definido por quatro características básicas: Comprimento do Cabeçalho ($h_i$), Comprimento do Payload ($p_i$), Intervalo Entre Pacotes ($t_i$) e Flags ($f_i$). Estas são codificadas (via normalização ou codificação one-hot) e combinadas para formar as características estatísticas de nível de fluxo utilizadas pelo NIDS. Esta abordagem garante que o tráfego gerado seja inerentemente válido e realizável.
• Estado, Ação e Recompensa:
  • Estado ($S_i$): As características estatísticas de nível de fluxo atuais derivadas da sequência de pacotes gerados até o momento.
  • Ação ($A_i$): Os parâmetros necessários para gerar o próximo pacote ($h_i, p_i, t_i, f_i$). O espaço de ação é restringido pelo conhecimento de protocolo de rede para garantir a validade.
  • Função de Recompensa ($R_i$): Uma função de recompensa composta guia o agente:
    • Recompensa de Evasão ($r^e_i$): Incentiva o tráfego a ser classificado incorretamente como benigno, minimizando a perda de entropia cruzada entre a classe benigna alvo e a saída do NIDS.
    • Recompensa de Preservação Semântica ($r^s_i$): Penaliza desvios da semântica do ataque original. Isso inclui manter a taxa de tráfego (crucial para DoS/Brute Force) e preservar as características de cabeçalho/payload.
• Modelo de Ameaça: O estudo assume um cenário de Caixa Cinza (Gray-Box - GB) onde o atacante não conhece a estrutura interna do modelo NIDS ou suas características de entrada, mas pode acessar o sistema para obter o feedback de classificação.

Principais Contribuições

1. Análise de Limitações: Os autores fornecem uma análise aprofundada de por que os ataques adversários atuais adaptados de CV falham em contextos de NIDS, destacando especificamente as deficiências de "existência" e "semântica de ataque".
2. Nova Abordagem de Nível de Pacote: O PLAA introduz um método de geração de características sequenciais em nível de pacote. Ao construir o tráfego pacote por pacote, ele resolve fundamentalmente o problema de gerar tráfego inválido enquanto preserva a semântica do ataque original através de restrições conscientes do protocolo.
3. Validação Empírica: O método é avaliado em múltiplos conjuntos de dados (CIC-UNSW-NB15, CIC-DDoS2019, CIC-IDS-2017) e vários modelos de NIDS (DNN, CNN-LSTM, SVM, LR, KNN, RF).

Resultados Experimentais
O método proposto foi testado contra seis modelos diferentes de NIDS usando cinco tipos específicos de ataques (Slow DoS, Brute Force, Probe, Generic, Fuzzers).

• Sucesso de Evasão: O PLAA alcançou uma taxa média de sucesso de evasão (Taxa de Evasão) de 92,78%. Ele converteu com sucesso o tráfego malicioso originalmente detectável em tráfego adversário que o NIDS classificou como benigno em todos os modelos testados.
• Preservação Semântica: O tráfego gerado manteve a semântica de ataque necessária. Por exemplo, ataques de Slow DoS mantiveram suas características de baixa taxa, e ataques de Brute Force mantiveram taxas altas onde necessário.
• Realismo: Um "Score de Anomalia" foi definido para medir o desvio do tráfego adversário em relação ao tráfego malicioso original em termos de comprimento, tempo e taxa. Os resultados mostraram que, embora tenham ocorrido alguns desvios (particularmente na taxa para Slow DoS devido à necessidade de aumentar o comprimento do pacote), o tráfego geral permaneceu realista e consistente com o tipo de ataque.
• Convergência: O agente de RL demonstrou convergência após aproximadamente 4.000 episódios de treinamento, com as recompensas cumulativas estabilizando-se.

Significância e Alegações
O artigo afirma que o PLAA oferece uma solução fundamental para as limitações dos ataques adversários existentes em NIDS. Ao se afastar da manipulação direta de nível de fluxo e adotar uma abordagem de nível de pacote baseada em aprendizado por reforço, o método garante que o tráfego adversário seja tanto realisticamente gerável quanto semanticamente consistente com a intenção do ataque original. Os autores enfatizam que seu trabalho foca na metodologia teórica para gerar tal tráfego, validada através de extensos experimentos baseados em conjuntos de dados. Eles reconhecem que trabalhos futuros precisarão transitar da avaliação baseada em conjuntos de dados para cenários de tráfego de rede malicioso do mundo real para validar ainda mais a aplicabilidade prática.