💻 computer science

Cross-Version Domain Adaptation and Open-Set Attack Screening for Transferable Wi-Fi Intrusion Detection

Este artigo propõe um framework de adaptação de domínio entre versões que combina harmonização de características IEEE 802.11, alinhamento DANN/CORAL e triagem de conjunto aberto baseada em confiança para alcançar detecção de intrusão Wi-Fi de alta precisão e tempo real através de ambientes variáveis, enquanto identifica efetivamente famílias de ataques previamente não vistos com rotulagem mínima no domínio alvo.

Autores originais: Hadeer Hassan Ibrahim, Rasha M. Ismail, Tamer AbdelKader, Alshaimaa Abo-Alian

Publicado 2026-08-12

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hadeer Hassan Ibrahim, Rasha M. Ismail, Tamer AbdelKader, Alshaimaa Abo-Alian

Artigo original sob licença CC BY 4.0 (https://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 que você é um segurança em uma estação de trem enorme e movimentada. Seu trabalho é identificar baderneiros. Você passou anos memorizando os uniformes, o andar e a bagagem específicos de baderneiros conhecidos nesta estação em particular. Você sabe exatamente como um ladrão de "Desautenticação" se parece aqui: ele usa um chapéu vermelho, carrega uma bolsa azul e caminha rápido. Mas então, a administração da estação muda as regras. A nova estação (uma versão diferente da mesma rede) tem iluminação diferente, pisos diferentes e os baderneiros trocaram seus chapéus vermelhos por gorros verdes e suas bolsas azuis por mochilas. Se você tentar usar suas antigas regras de "chapéu vermelho" aqui, perderá os bandidos completamente ou, pior, começará a prender passageiros inocentes que por acaso estejam usando vermelho. Este é o cerne do problema da Adaptação de Domínio na segurança computacional: tornar um sistema de segurança que aprendeu em um ambiente capaz de funcionar de forma confiável em um novo, ligeiramente diferente.

Para resolver isso, especialistas em segurança usam Aprendizado de Máquina (Machine Learning), onde computadores aprendem padrões a partir de dados, e Reconhecimento de Conjunto Aberto (Open-Set Recognition), que é a capacidade de dizer: "Eu não sei o que é isso, mas parece suspeito", em vez de forçar um palpite. O artigo que você está prestes a ler aborda uma versão muito específica deste problema da estação de trem: a transição do dataset AWID2 (uma coleção antiga de dados de ataques Wi-Fi) para o dataset AWID3 (uma coleção mais nova e realista). Os pesquisadores queriam saber: Podemos ensinar um computador a reconhecer ataques Wi-Fi no novo ambiente sem ter que reensiná-lo tudo do zero? Eles descobriram que, ao usar uma mistura inteligente de "treinamento adversarial" (onde o computador joga um jogo de esconde-esconde consigo mesmo para ignorar diferenças irrelevantes) e um pouquinho de ajuda dos novos dados, eles puderam construir um sistema que é incrivelmente preciso, rápido e capaz de detectar novos tipos de ataques que nunca viu antes.

A Grande Migração do Detetive de Wi-Fi

Pense nas redes Wi-Fi como rodovias invisíveis onde carros de dados viajam rapidamente de um lado para o outro. Assim como em rodovias reais, motoristas ruins (hackers) tentam causar acidentes, roubar carga ou se passar por carros de polícia. Para pegá-los, usamos Sistemas de Detecção de Intrusão (IDS), que são como câmeras de tráfego automatizadas que gritam "Pare!" quando veem um carro fazendo algo estranho.

Por muito tempo, essas câmeras foram treinadas em um trecho específico de rodovia (o dataset AWID2). Elas se tornaram especialistas em detectar os carros ruins ali. Mas então, a rodovia foi renovada. As marcações da estrada mudaram, os limites de velocidade mudaram e os motoristas ruins começaram a dirigir carros ligeiramente diferentes. Este é o dataset AWID3. Quando as câmeras antigas foram movidas para a nova rodovia, elas começaram a falhar. Ou elas perdiam os bandidos ou começavam a gritar com caminhões de entrega inocentes. Isso é chamado de Mudança de Domínio (Domain Shift), e é um pesadelo para a segurança de rede porque as redes do mundo real estão sempre mudando.

A Solução: Um Detetive Camaleônico

Os autores deste artigo construíram um novo tipo de sistema de detetive projetado para sobreviver a essa migração. Em vez de apenas memorizar os "chapéus vermelhos" da antiga rodovia, eles ensinaram o detetive a entender a essência de um mau motorista, independentemente da cor do chapéu.

1. O Tradutor e o Espelho
Primeiro, eles criaram um "tradutor" para garantir que a antiga e a nova rodovias falassem a mesma língua. Eles mapearam manualmente as características dos dados antigos para os novos, garantindo que um "tipo de quadro" (frame type) no mundo antigo significasse a mesma coisa que um "tipo de quadro" no novo mundo.

Depois, eles usaram uma técnica chamada DANN (Rede Neural Adversarial de Domínio). Imagine um jogo de esconde-esconde. O detetive tenta aprender como um mau motorista se parece, enquanto um "espelho" tenta descobrir se o detetive está olhando para a antiga rodovia ou para a nova. O detetive é treinado para enganar o espelho. Se o detetive não consegue distinguir entre a antiga e a nova rodovia, significa que o detetive aprendeu os sinais universais de um mau motorista, não apenas os detalhes específicos da antiga estrada. Isso é Alinhamento Adversarial.

2. O Ajuste de Covariância
Para garantir que o detetive não tivesse apenas tido sorte, eles adicionaram uma segunda regra chamada CORAL. Isso é como verificar a "vibe" do tráfego. Mesmo que os carros pareçam diferentes, a maneira como eles se movem juntos (seus padrões de velocidade e direção) deve ser semelhante. O CORAL força o sistema a alinhar esses padrões de movimento entre os dados antigos e os novos.

3. A Pequena Dica
Aqui está o ingrediente secreto: o sistema não apenas adivinhou. Os pesquisadores deram ao detetive uma dica, uma dica bem pequena, da nova rodovia. Eles mostraram a ele apenas 3.000 pacotes rotulados (1.000 normais, 1.000 ataques de desautenticação e 1.000 ataques de "gêmeo maligno/evil twin") do novo conjunto de dados. Isso é chamado de Calibragem de Alvo com Baixa Eficiência de Rótulos (Label-Efficient Target Calibration). É como dar ao detetive uma única foto de um ladrão de "gorro verde" da nova estação. Com essa pequena dica, o detetio pôde recalibrar seus olhos perfeitamente.

Os Resultados: Um Super-Detetive

Quando testaram este novo detetive na nova rodovia (AWID3), os resultados foram impressionantes.

Precisão: O sistema acertou 99,47% dos ataques conhecidos. É como pegar 99 de cada 100 bandidos.
Velocidade: Foi extremamente rápido. Ele pode processar 814.000 pacotes por segundo. Para colocar em perspectiva, ele poderia verificar cada um dos carros em uma rodovia enorme em um piscar de olhos, levando apenas 0,0012 milissegundos por pacote.
Custo: Em segurança, perder um bandido é muito pior do que parar acidentalmente um cara bom. Os pesquisadores calcularam um "Custo de Erro Ponderado" para medir isso. Seu sistema teve um custo de 517, uma melhoria massiva em relação aos métodos antigos que tinham um custo superior a 20.000.

O Superpoder de "Conjunto Aberto": Detectando o Desconhecido

A parte mais legal deste artigo é o que acontece quando um tipo completamente novo de motorista ruim aparece — um que nem sequer estava nas fotos de treinamento. No mundo real, hackers inventam novos truques o tempo todo.

Os pesquisadores testaram seu sistema contra oito novas famílias de ataques que existiam no novo conjunto de dados, mas eram totalmente desconhecidas para os dados de treinamento antigos (coisas como "KRACK", "Kr00k" e "Botnet C&C").

O Resultado: O sistema não tentou adivinhar o que esses novos ataques eram. Em vez disso, ele disse: "Eu não sei o que é isso, mas definitivamente não é normal!". Ele sinalizou anomalias em 504 de 505 dos novos arquivos de ataque.
A Troca (Trade-off): Como o sistema é tão sensível, ele também sinalizou alguns tráfegos normais como suspeitos. Cerca de 10,1% dos pacotes normais foram sinalizados como alarmes falsos. Mas os autores argumentam que esta é uma troca justa: é melhor ter alguns alertas extras para verificar do que perder um ataque novo e perigoso.

Por Que Isso Importa

Este artigo prova que você não precisa reconstruir seu sistema de segurança do zero toda vez que a rede muda. Ao usar o aprendizado adversarial para ignorar diferenças irrelevantes e pequenas dicas para recalibrar, você pode criar um sistema que viaja com você.

Os autores também verificaram para garantir que o detetive não estava apenas dependendo de correlações espúrias ao memorizar padrões estranhos. Eles usaram IA Explicável (XAI) para olhar dentro do cérebro do detetive. Eles descobriram que o sistema estava realmente olhando para pistas reais de Wi-Fi, como "flags de desautenticação" e "força de sinal", em vez de ruído aleatório. Isso nos dá confiança de que o sistema está realmente entendendo o problema, não apenas memorizando as respostas.

Em resumo, esta pesquisa mostra que podemos construir uma segurança de Wi-Fi que não é apenas inteligente e rápida, mas também flexível o suficiente para lidar com a realidade confusa e mutável do mundo real, detectando tanto os truques antigos quanto as surpresas totalmente novas.

Resumo Técnico: Adaptação de Domínio entre Versões e Triagem de Ataques de Conjunto Aberto para Detecção de Intrusão Wi-Fi Transferível

1. Declaração do Problema

Os Sistemas de Detecção de Intrusão (IDS) convencionais de Wi-Fi frequentemente exibem alta confiabilidade em conjuntos de dados com distribuições idênticas, mas sofrem uma degradação severa de desempenho quando implantados em ambientes do mundo real onde as distribuições de tráfego sofrem mudanças. Este artigo aborda o desafio específico da transferibilidade entre versões em IDS de Wi-Fi, focando na transição do conjunto de dados AWID2 (domínio de origem) para o AWID3 (domínio de destino).

A dificuldade central reside no significativo desvio de covariável (covariate shift) entre esses conjuntos de dados, que foram coletados anos de diferença sob infraestruturas, dispositivos e condições de protocolo distintos. Modelos de aprendizado supervisionado padrão treinados no AWID2 falham em generalizar para o AWID3 devido a diferenças nas distribuições de características, semântica de ataques e composição de tráfego. Além disso, a implantação prática enfrenta dois obstáculos adicionais:

Ataques de Desconhecido-para-Origem: Ambientes de destino podem conter famílias de ataques (ex: KRACK, Kr00k, Botnet C&C) que estão inteiramente ausentes dos rótulos de treinamento da origem. Tratar isso como tarefas de classificação padrão é irrealista; em vez disso, eles requerem triagem de conjunto aberto (open-set screening) para sinalizar anomalias.
Restrições de Implantação: Operações do mundo real exigem avaliação além da acurácia, considerando ônus de falsos positivos, latência de inferência, vazão (throughput) e consumo de energia, particularmente para cenários de borda (edge) e IoT.

2. Metodologia

Os autores propõem um framework unificado, consciente da transferibilidade, que integra harmonização de características semânticas, adaptação de domínio adversária e calibração eficiente de rótulos. A metodologia é estruturada da seguinte forma:

2.1 Harmonização de Características Semânticas

Para reduzir a lacuna entre o AWID2 e o AWID3, os autores realizam um mapeamento manual rigoroso das características semânticas do IEEE 802.11.

Mapeamento de Características: 11 grupos de características brutas (ex: comprimento de quadro, RSSI, números de sequência, flags de controle de quadro) são mapeados entre os conjuntos de dados.
Indicadores Derivados: Quatro flags booleanas conscientes do protocolo são geradas para capturar explicitamente a semântica de quadros de gerenciamento: flag deauth, flag beacon, flag auth e flag unprotected beacon.
Pré-processamento: Características contínuas são normalizadas usando estatísticas do domínio de origem (z-score), enquanto campos categóricos passam por codificação one-hot. Valores ausentes são tratados com padrões lógicos para evitar a introdução de identificadores artificiais de domínio.

2.2 Alinhamento de Distribuição Híbrido (DANN + CORAL)

A arquitetura central utiliza uma Rede Neural de Domínio Adversário (DANN) para aprender representações invariantes ao domínio.

Aprendizado Adversário: Uma Camada de Reversão de Gradiente (GRL) é empregada para confundir um classificador de domínio, forçando o extrator de características a ignorar artefatos específicos do domínio (ex: endereços MAC específicos ou assinaturas de rádio) e focar em comportamentos estruturais de ataque.
Alinhamento CORAL: Para estabilizar o treinamento e reduzir o descompasso estatístico de segunda ordem, uma perda de Alinhamento de Correlação (CORAL) é adicionada. Isso minimiza a distância entre as matrizes de covariância das ativações de características da origem e do destino.
Agendamento Dinâmico: O peso adversário ( $\lambda$ ) é agendado dinamicamente para garantir que o modelo estabeleça representações significativas antes de aplicar a penalidade total de confusão de domínio.

2.3 Calibração de Destino Eficiente em Rótulos

Reconhecendo que o puro transferência zero-shot frequentemente falha sob mudanças extremas de domínio, o framework emprega uma etapa de calibração de destino eficiente em rótulos.

Após o treinamento principal do DANN, um subconjunto pequeno e equilibrado de dados rotulados do AWID3 (1.000 pacotes por classe conhecida: Normal, Deauthentication, Evil Twin) é usado para ajustar o preditor de rótulos.
Esta etapa reancora as fronteiras de decisão ao domínio de destino sem exigir rotulagem manual extensiva.

2.4 Inferência Desacoplada e Triagem de Conjunto Aberto

O mecanismo de inferência separa a classificação de classes conhecidas da triagem de desconhecidos-para-origem:

Predição de Classe Conhecida: A classificação softmax padrão é aplicada para ataques conhecidos.
Triagem de Anomalias: Amostras com uma probabilidade máxima de softmax abaixo de um limiar alto ( $\tau = 0.99$ ) são sinalizadas como anomalias desconhecidas-para-origem. Isso permite que o sistema detecte famílias de ataques não presentes no conjunto de treinamento AWID2.
Correlação MITM: Um motor de pós-inferência correlaciona eventos sequenciais (ex: desautenticação seguida de atividade de Evil Twin) dentro da mesma sessão de arquivo de captura para identificar ataques de Homem-no-Meio (MITM) de múltiplos estágios.

3. Principais Contribuições

O artigo delineia quatro contribuições primárias:

Adaptação de Domínio Nativa de Wi-Fi: Um framework que mitiga o desvio de covariável entre AWID2 e AWID3 através do alinhamento de características semânticas conscientes do protocolo, estabelecendo um espaço de representação invariante ao domínio.
Alinhamento de Distribuição com Calibração: Uma abordagem híbrida combinando alinhamento adversário (DANN), correspondência de covariância (CORAL) e um conjunto de suporte rotulado restrito para calibração de destino, demonstrando que a calibração eficiente em rótulos é crítica para a recuperação de desempenho.
Triagem de Ameaças Desconhecidas-para-Origem: Um mecanismo de triagem baseado em confiança que sinaliza com sucesso anomalias em todas as oito famílias de ataques avaliadas apenas no AWID3, indo além da classificação de mundo fechado.
Avaliação Consciente de Implantação: Uma mudança das métricas de acurácia padrão para viabilidade operacional, reportando custos de erro ponderados, latência de inferência, vazão e análise de IA Explicável (XAI) específica de classe para verificar a dependência de indicadores relevantes ao protocolo.

4. Resultados Experimentais

O framework foi avaliado em um subconjunto reduzido do AWID3 mantido fora do treino (held-out) e em um conjunto separado de arquivos de ataque desconhecidos-para-origem.

4.1 Desempenho de Classes Conhecidas

No subconjunto de classes conhecidas do AWID3 mantido fora do treino (52.000 pacotes):

Acurácia: 99,47%
Macro-F1: 0,95
Weighted-F1: 0,99
Recall: 0,99 para Deauthentication e 1,00 para tráfego de Evil Twin.
Comparação: Modelos de linha de base (Random Forest, MLP, 1D-CNN) treinados com o mesmo conjunto limitado de rótulos de destino atingiram scores de macro-F1 significativamente menores (variando de 0,26 a 0,57), destacando a necessidade do alinhamento adversário.

4.2 Estudo de Ablação

Base DANN (Zero-Shot): Alcançou apenas 54,36% de acurácia, confirmando que o alinhamento adversário sozinho é insuficiente para a transferência entre versões.
DANN + CORAL: Pequena melhoria (54,47%), indicando que a correspondência de covariância ajuda, mas não resolve a distorção de fronteira.
Modelo Completo: A adição da calibração eficiente em rótulos foi o fator dominante, elevando a acurácia para 99,47% e o macro-F1 para 0,95.

4.3 Triagem de Desconhecidos-para-Origem

Cobertura ao Nível de Arquivo: Detectou anomalias em 504 de 505 arquivos de ataque avaliados através de oito famílias desconhecidas (incluindo KRACK, Kr00k, SSH brute force e Botnet C&C).
Detecção ao Nível de Pacote: Variou de 71,2% (Re-association Flood) a 91,4% (SSDP Amplification).
Falsos Positivos: Em 50.000 pacotes normais mantidos fora do treino, o mecanismo de triagem sinalizou 10,1% como anomalias. Os autores observam que esta é uma configuração de alta sensibilidade adequada para alerta precoce, sugerindo que a implantação prática deve utilizar agregação temporal para reduzir a fadiga de alertas.

4.4 Métricas Operacionais

Latência: Latência média de inferência de 0,0012 ms por pacote.
Vazão (Throughput): Excedeu 814.000 pacotes por segundo na estação de trabalho de teste.
Custo de Erro Ponderado: Reduzido de 20.403 (pré-adaptação) para 517 (pós-adaptação), calculado com uma penalidade pesada ( $\alpha=50$ ) para falsos negativos.
Energia: Uma estimativa analítica ilustrativa de 0,0031 mJ por pacote (baseada em um orçamento de dispositivo de borda de 2,5W).

4.5 Explicabilidade

A análise de Importância de Característica por Permutação (PFI) específica de classe confirmou que o modelo adaptado depende de indicadores de protocolo IEEE 802.11 relevantes (ex: wlan.fc.subtype, flag deauth, RSSI) em vez de artefatos específicos do conjunto de dados.

5. Significância e Alegações

O artigo alega mudar o paradigma dos IDS de Wi-Fi de classificação de mundo fechado para detecção de intrusão consciente de implantação e de transferibilidade.

Viabilidade Operacional: O framework demonstra que uma transferência de alto desempenho é possível com rotulagem mínima do domínio de destino, reduzindo o ônus operacional de retreinar modelos para novos ambientes de rede.
Consciência de Conjunto Aberto: Ao tratar ataques não vistos como anomalias em vez de classificações incorretas de classes conhecidas, o sistema fornece alertas precoces para famílias de ataques anteriormente desconhecidas sem exagerar as capacidades de classificação de zero-day.
Design Centrado no Protocolo: A integração da harmonização semântica de características e XAI garante que as decisões de detecção sejam fundamentadas na semântica do protocolo IEEE 802.11, aumentando a confiabilidade para profissionais de segurança.

Os autores reconhecem modestamente as limitações, observando que o framework depende de harmonização manual de características (que pode não escalar para futuros conjuntos de dados como o AWID4 sem automação) e que as métricas de latência/energia reportadas são benchmarks de nível de modelo, não medições de dispositivo embarcado de ponta a ponta. O trabalho futuro proposto explora o alinhamento de esquema automatizado e correlação baseada em grafos em tempo real para Ameaças Persistentes Avançadas (APTs).