KiNETGAN：通过知识注入的合成数据生成实现分布式网络入侵检测
密码学与安全
2024-10-07 v1 机器学习
摘要
在物联网/信息物理系统通过移动网络连接的领域中，传统的入侵检测方法利用异常检测技术分析跨多个设备的网络流量以标记潜在安全威胁。然而，这些方法面临显著的隐私挑战，尤其是在深度包检测和网络通信分析方面。这种监控具有高度侵入性，因为它涉及检查数据包内容，其中可能包含个人和敏感信息。此类数据审查通常受到严格法律法规的约束，尤其是在智能家居等数据隐私至关重要的环境中。合成数据通过模拟真实网络行为而不泄露敏感细节，提供了一种有前景的解决方案。生成对抗网络（GAN）等生成模型可以生成合成数据，但在网络活动等专业领域，它们往往难以生成逼真的数据。这一局限性源于训练数据不足，阻碍了模型充分掌握领域规则和约束。此外，训练数据的稀缺加剧了入侵检测方法中的类别不平衡问题。为应对这些挑战，我们提出了一种隐私驱动框架，利用知识注入的生成对抗网络生成合成网络活动数据（KiNETGAN）。该方法在解决隐私问题的同时，增强了分布式入侵检测的鲁棒性。我们的知识引导GAN生成了网络活动的逼真表示，并通过严格实验验证。我们证明KiNETGAN在下游任务中保持了最小的精度损失，有效平衡了数据隐私与效用。
引用
@article{arxiv.2405.16476,
title = {KiNETGAN: Enabling Distributed Network Intrusion Detection through Knowledge-Infused Synthetic Data Generation},
author = {Anantaa Kotal and Brandon Luton and Anupam Joshi},
journal= {arXiv preprint arXiv:2405.16476},
year = {2024}
}