揭示图神经网络在鲁棒入侵检测中的潜力
密码学与安全
2021-08-02 v1 人工智能
机器学习
网络与互联网体系结构
摘要
过去几年中，具有严重经济与隐私损害的攻击事件层出不穷，这证明了精准网络入侵检测系统（NIDS）的必要性。近期工作提出使用机器学习（ML）技术构建此类系统（例如决策树、神经网络）。然而，现有基于 ML 的 NIDS 对常见对抗攻击几乎不具备鲁棒性，这限制了它们在真实网络中的适用性。这些解决方案的一个根本问题在于它们独立地处理和分类流。相比之下，本文主张关注攻击的结构模式的重要性，不仅捕获单个流特征，还捕获不同流之间的关系（例如它们共享的源/目的主机）。为此，我们采用一种保留流记录及其关系的图表示，并提出一种新颖的图神经网络（GNN）模型，专门用于处理并从此类图结构信息中学习。在我们的评估中，首先表明所提出的 GNN 模型在著名的 CIC-IDS2017 数据集上取得了最先进的结果。此外，我们在两种常见对抗攻击下评估了方案的鲁棒性，这些攻击故意修改数据包大小和到达时间间隔以规避检测。结果显示，我们的模型能够保持与先前实验相同的准确率水平，而最先进的 ML 技术在这些攻击下准确率（F1-score）下降高达 50%。这种前所未有的鲁棒性主要源于我们的 GNN 模型学习以图结构化的攻击流模式的能力。
引用
@article{arxiv.2107.14756,
title = {Unveiling the potential of Graph Neural Networks for robust Intrusion Detection},
author = {David Pujol-Perich and José Suárez-Varela and Albert Cabellos-Aparicio and Pere Barlet-Ros},
journal= {arXiv preprint arXiv:2107.14756},
year = {2021}
}
备注
7 pages, 4 figures, 1 table