💻 computer science

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

Este artigo propõe uma estrutura de TabTransformer aumentada por BGAN que aborda simultaneamente o desequilíbrio de classes e a vulnerabilidade adversarial na detecção de intrusão ao gerar amostras minoritárias sintéticas e amostras adversariais, resultando em melhorias significativas nos escores Macro-F1 e na robustez contra ataques no conjunto de dados CICIDS2017.

Autores originais: Raihan Sultan Pasha Basuki, Aliyah Kurniasih

Publicado 2026-07-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Raihan Sultan Pasha Basuki, Aliyah Kurniasih

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a internet como uma cidade enorme e movimentada onde os dados fluem como carros em rodovias intermináveis. Para manter esta cidade segura, temos guardas de segurança chamados Sistemas de Detecção de Intrusão (IDS). Estes guardas vigiam o tráfego, procurando por maus motoristas que tentam bater carros, roubar pacotes ou causar o caos. Durante muito tempo, estes guardas dependiam de livros de regras: "Se um carro parecer vermelho, pare-o." Mas os maus motoristas são astutos; eles mudam as suas cores ou dirigem de formas estranhas para passar despercebidos pelas regras. Por isso, começámos a ensinar os nossos guardas a aprender com a experiência usando Machine Learning, um tipo de cérebro de computador que se torna mais inteligente quanto mais vê.

No entanto, existem dois grandes problemas com estes guardas inteligentes. Primeiro, a cidade está maioritariamente cheia de bons motoristas, e os maus motoristas são raros. É como tentar ensinar um aluno a reconhecer um tigre quando só lhe mostram uma foto de um tigre e um milhão de fotos de gatos domésticos. O aluno fica confuso e pensa que cada gato é um tigre, ou pior, deixa passar o tigre sem o ver. Isto é chamado de "desequilíbrio de classes" (class imbalance). Segundo, os maus motoristas estão a tornar-se mais espertos. Eles podem usar "ataques adversários", que são como pequenos empurrões quase invisíveis nos seus carros para enganar o cérebro do computador, fazendo-o pensar que um tigre é apenas um gato doméstico. Se um guarda não tiver visto estes empurrões astutos antes, poderá falhar completamente. Os cientistas estão a tentar construir guardas que sejam tanto bons a detetar tigres raros como resistentes o suficiente para ignorar os empurrões astutos.

Este artigo apresenta um novo sistema de guarda super inteligente chamado BGAN-augmented TabTransformer. Pense nisto como um programa de treino de duas em um para os nossos guardas de segurança. A primeira parte utiliza uma ferramenta especial chamada Boundary-Seeking GAN (BGAN). Imagine um falsificador mestre que não cria apenas cópias falsas de tigres raros; em vez disso, este falsificador cria falsos tigres perfeitamente astutos que parecem quase exatamente a linha entre um tigre e um gato doméstico. Ao mostrar ao guarda estes exemplos "limítrofes", o guarda aprende a detetar os tigres reais muito melhor, mesmo quando existem muito poucos tigres reais para começar. Isto resolve o problema do "tigre raro".

A segunda parte do sistema é um toque brilhante: o mesmo falsificador que cria os exemplos de treino astutos também é usado para atacar o guarda durante um teste. É como se o falsificador tentasse enganar o guarda com os seus próprios tigres falsos para ver se o guarda é suficientemente robusto para dizer: "Não, isso ainda é um tigre!". Se o guarda conseguir resistir a estes ataques, prova que o guarda é verdadeiramente robusto. Os investigadores testaram este sistema num enorme conjunto de dados de tráfego de rede chamado CICIDS2017, que contém milhões de "fluxos" de dados representando diferentes tipos de tráfego de internet, desde a navegação inofensiva até ataques cibernéticos perigosos como DDoS e Ataques Web.

Os resultados foram bastante impressionantes. Quando os investigadores utilizaram este novo método de treino BGAN, a capacidade do guarda de identificar corretamente todos os tipos de ataques (medida por uma pontuação chamada Macro-F1) saltou de 82,96% para 86,50%. A maior melhoria foi na deteção de "Ataques Web", onde a pontuação passou de um instável 0,29 para um sólido 0,61. Mas a verdadeira magia aconteceu durante o "teste de resistência". Quando tentaram enganar os guardas que não tinham sido treinados com o falsificador BGAN, esses guardas falharam completamente, com o seu desempenho a cair 100%. Em contraste, os guardas treinados com o falsificador BGAN não só sobreviveram à trapaça, como ficaram ligeiramente melhores a detetar os ataques, mostrando uma taxa de queda de desempenho negativa (o que significa que melhoraram sob pressão).

Os investigadores também verificaram se o sistema ficaria confuso com ruído inofensivo, como estática numa rádio. Descobriram que o seu novo sistema se mantinha muito calmo, com uma "Taxa de Gatilho Falso" (gritar acidentalmente "Intruso!" quando não havia nenhum) a manter-se baixa entre 1,51% e 2,92%, mesmo quando os dados tinham ruído. Outros sistemas, como os guardas mais antigos de "Árvore de Decisão", tornavam-se muito agitados e começavam a dar alarmes falsos até 49,09% das vezes quando o mesmo ruído era adicionado.

No entanto, o artigo é cuidadoso ao notar que isto não é uma solução mágica para todos os problemas. O sistema teve dificuldades com um tipo específico de ataque chamado "Infiltração", porque havia apenas 29 exemplos dele nos dados de treino — tão poucos que o falsificador não conseguiu aprender, pelo que tiveram de usar um plano de reserva mais simples e menos eficaz para esse caso específico. Além disso, todo este experimento foi feito num ambiente de laboratório controlado e offline, utilizando um conjunto de dados fixo, não numa rede de internet real e em movimento. Embora os resultados sugiram que combinar este treino de "busca de fronteira" com uma arquitetura "TabTransformer" inteligente cria um guarda de segurança muito mais robusto e preciso, os autores sugerem que precisamos de testá-lo em tráfego real e vivo antes de podermos dizer que está pronto para a grande cidade.

Resumo Técnico: TabTransformer Aumentado por BGAN de Busca de Fronteira para Detecção de Intrusão Adversária Robusta

Declaração do Problema
Sistemas de Detecção de Intrusão (IDS) baseados em aprendizado de máquina enfrentam dois desafios críticos em ambientes de rede modernos: o desequilíbrio severo de classes e a vulnerabilidade a ataques adversários. Em conjuntos de dados como o CICIDS2017, o tráfego benigno supera vastamente o tráfego de ataque (ex: amostras de Infiltração constituem uma fração ínfima), levando os modelos a enviesarem-se para a classe majoritária. Além disso, embora os modelos possam alcançar alta precisão em dados limpos, eles frequentemente colapsam quando apresentados com entradas sutilmente manipuladas projetadas para evitar a detecção. Pesquisas existentes geralmente abordam esses problemas separadamente: Redes Adversárias Generativas (GANs) são usadas para aumento de dados para corrigir o desequilíbrio, enquanto a robustez é frequentemente avaliada usando frameworks distintos. Nenhum framework existente combina um classificador tabular de auto-atenção com um único modelo generativo que sirva simultaneamente como um motor de aumento de classe minoritária e um gerador de amostras adversárias para avaliação de robustez.

Metodologia
Os autores propõem um framework de duplo propósito integrando uma Rede Adversária Generativa de Busca de Fronteira (BGAN) com um classificador TabTransformer.

Conjunto de Dados e Pré-processamento: O estudo utiliza o conjunto de dados CICIDS2017, composto por aproximadamente 2,8 milhões de fluxos através de oito classes. Os dados são pré-processados para extrair 78 características estatísticas de fluxo (ex: contagens de pacotes, duração, flags TCP). O conjunto de treinamento passa por uma divisão estratificada (80:20), com o tráfego benigno subamostrado para 200.000 amostras para reduzir a dominância, enquanto o conjunto de teste retém as proporções originais.
Aumento por BGAN: Diferente das GANs padrão que geram amostras em toda a distribuição, a BGAN é treinada para gerar amostras próximas à fronteira de decisão entre as classes benigna e maliciosa. Isso é alcançado usando um peso de importância $w(x) = D(x) / (1 - D(x))$ $w (x) = D (x) / (1 - D (x))$ , enfatizando amostras ambíguas onde a saída do discriminador está próxima de 0,5.
- Papel Duplo: A BGAN treinada gera amostras sintéticas para aumentar as classes minoritárias (Botnet, Web_Attack, Infiltration) e, simultaneamente, gera amostras adversárias para estressar o classificador.
- Lidando com Desequilíbrio Extremo: Para a classe Infiltration, que possuía apenas 29 amostras de treinamento, a BGAN falhou em convergir (distância de Wasserstein > 8,0). Consequentemente, um fallback de ruído Gaussiano foi utilizado para esta classe específica no cenário "Mixed", enquanto Botnet e Web_Attack foram aumentadas com amostras geradas pela BGAN até 6.000 cada.
Classificador TabTransformer: O modelo de classificação emprega o TabTransformer, que utiliza mecanismos de auto-atenção para modelar as relações entre características tabulares diretamente, em vez de tratá-las de forma independente. O modelo processa 78 características contínuas através de embeddings e dois blocos Transformer antes de um cabeçalho de perceptron multicamadas produzir a classificação final.
Métricas de Avaliação: O desempenho é medido via Acurácia, Precisão, Recall e Macro-F1. A robustez adversária é quantificada via:
- Taxa de Queda de Desempenho (PDR): A degradação relativa no F1-score quando amostras de teste limpas são substituídas por amostras adversárias geradas pela BGAN.
- Taxa de Gatilho Falso (FTR): A taxa na qual amostras benignas são classificadas incorretamente após a adição de pequenas perturbações Gaussianas.

Principais Contribuições

Framework de Duplo Propósito: O artigo introduz um framework unificado onde um único modelo BGAN aborda tanto o desequilíbrio de classes (via aumento) quanto a avaliação de robustez (via geração de amostras adversárias), uma combinação não alcançada anteriormente em IDS baseados em fluxo.
Extensão para Condições Adversárias Multiclasse: O trabalho estende a pesquisa anterior de IDS baseada em TabTransformer da classificação binária para cenários multiclasse sob condições adversárias.
Robustez Quantificada: O estudo fornece uma avaliação rigorosa de robustez usando PDR e FTR, demonstrando que o aumento pode converter modelos de serem completamente vulneráveis (100% de queda de desempenho) para resilientes.

Resultados

Desempenho de Classificação: No conjunto de dados CICIDS2017, o TabTransformer aumentado por BGAN melhorou o escore Macro-F1 de 82,96% (Baseline) para 86,50%. A melhoria mais significativa foi observada na classe Web_Attack, onde o F1-score subiu de 0,29 para 0,61. Embora o Random Forest e o Decision Tree tenham alcançado scores Macro-F1 gerais mais altos em dados limpos (aprox. 96%), eles não igualaram a robustez do TabTransformer aumentado.
Robustez Adversária (PDR):
- Modelos Baseline: Todos os modelos sem aumento experimentaram uma Taxa de Queda de Desempenho de 100% sob testes adversários, indicando falha total contra ataques adjacentes à fronteira.
- Modelos Aumentados: Todos os modelos aumentados por BGAN (exceto o cenário Mixed para Infiltration) alcançaram valores de PDR negativos, significando que seu desempenho se manteve ou melhorou sob ataque. Por exemplo, o TabTransformer alcançou um PDR de -24,75% para Botnet e -9,80% para Infiltration.
Resiliência ao Ruído (FTR): O TabTransformer com aumento Full BGAN manteve uma Taxa de Gatilho Falso estável e baixa (1,51%–2,92%) através de vários níveis de ruído. Em contraste, Decision Trees aumentadas com BGAN viram seu FTR saltar para 49,09% sob perturbações benignas, indicando que dados de GAN podem desestabilizar modelos baseados em árvores.

Significância e Alegações
Os autores alegam que o framework proposto BGAN-TabTransformer fornece uma solução eficaz e adaptável para detecção de intrusão em ambientes de rede adversários. O estudo demonstra que:

Robustez é alcançável: A exposição a amostras sintéticas de busca de fronteira durante o treinamento altera fundamentalmente o comportamento do modelo, prevenindo o colapso total visto em modelos não aumentados.
A arquitetura importa: O mecanismo de auto-atenção do TabTransformer, combinado com dados de treinamento de região de fronteira, produz generalização e resiliência superiores em comparação com modelos baseados em árvores ou MLPs padrão, que são mais suscetíveis ao overfitting de assinaturas específicas do gerador ou ruído.
Utilidade Dupla: Um único modelo generativo pode servir efetivamente tanto como uma ferramenta de aumento de dados para classes raras quanto como um mecanismo rigoroso de teste de estresse para a segurança do modelo.

O artigo conclui com limitações modestas, observando que a classe Infiltration permanece difícil de modelar devido à escassez extrema (exigindo aprendizado de poucos disparos/few-shot learning no futuro), a precisão da Web_Attack permanece baixa devido à sobreposição de características, e a avaliação é atualmente limitada a configurações offline e controladas, em vez de implantação em redes ao vivo.

Mais como este