基于生成对抗网络的合成流数据加密货币挖矿攻击生成
密码学与安全
2022-02-09 v1 机器学习
摘要
由于互联网中网络攻击的日益增长，基于流的数据集对于提升运行在网络入侵检测系统(IDS)中机器学习(ML)组件的性能至关重要。为克服攻击分析中现有网络流量数据短缺的问题，近期工作提出使用生成对抗网络(GANs)进行合成基于流的网路流量生成。数据处理隐私正日益成为一项强需求，这提示需寻找合成数据可完全替代真实数据的方案。由于GAN训练的不良收敛，现有方案均无法生成高质量的全合成数据以在IDS ML组件训练中完全替代真实数据。因此，它们将真实数据与合成数据混合，后者仅作为数据增强组件，导致隐私泄露因为使用了真实数据。与此形成鲜明对比，本工作中我们提出一种新颖的确定性方法来度量GAN产生的合成数据相对于真实数据的质量及其用于ML任务时的性能。作为副产品，我们给出了一种利用这些度量在GAN训练期间选择最佳生成器的启发式方法，从而形成停止准则。另提出一种启发式方法，以在同一ML任务需使用不同类型合成数据时选择最佳GAN。我们通过使用增强版Wasserstein GAN生成合成加密货币挖矿攻击流量与正常流量基于流的数据，证明了我们方案的适用性。我们展示了所生成的合成网络流量在训练基于ML的加密货币挖矿检测器时可完全替代真实数据，获得相似性能并避免隐私侵犯，因为基于ML的检测器训练未使用真实数据。
引用
@article{arxiv.2107.14776,
title = {Synthetic flow-based cryptomining attack generation through Generative Adversarial Networks},
author = {Alberto Mozo and Ángel González-Prieto and Antonio Pastor and Sandra Gómez-Canaval and Edgar Talavera},
journal= {arXiv preprint arXiv:2107.14776},
year = {2022}
}
备注
35 pages, 13 figures, 8 tables