[論文レビュー] Packet-Level Adversarial Network Traffic Crafting using Sequence Generative Adversarial Networks

Qiumei Cheng, Shiying Zhou+3 more|arXiv (Cornell University)|Mar 8, 2021

Adversarial Robustness in Machine Learning参考文献 36被引用数 15

ひとこと要約

本論文は、パケットレベルのネットワークトラフィックを、パケットバイトを順序付きトークンとしてモデル化することで、悪意あるトラフィックを生成するシーケンス生成的対抗的ネットワーク（Attack-GAN）を提案する。ポリシー勾配最適化を用いて、ブラックボックス型ネットワークイントラーシュッション検出システム（NIDS）を回避する悪意あるトラフィックを生成し、実世界のデータセットにおいて高い回避率を達成しながらも、攻撃の機能を保持する。

ABSTRACT

The surge in the internet of things (IoT) devices seriously threatens the current IoT security landscape, which requires a robust network intrusion detection system (NIDS). Despite superior detection accuracy, existing machine learning or deep learning based NIDS are vulnerable to adversarial examples. Recently, generative adversarial networks (GANs) have become a prevailing method in adversarial examples crafting. However, the nature of discrete network traffic at the packet level makes it hard for GAN to craft adversarial traffic as GAN is efficient in generating continuous data like image synthesis. Unlike previous methods that convert discrete network traffic into a grayscale image, this paper gains inspiration from SeqGAN in sequence generation with policy gradient. Based on the structure of SeqGAN, we propose Attack-GAN to generate adversarial network traffic at packet level that complies with domain constraints. Specifically, the adversarial packet generation is formulated into a sequential decision making process. In this case, each byte in a packet is regarded as a token in a sequence. The objective of the generator is to select a token to maximize its expected end reward. To bypass the detection of NIDS, the generated network traffic and benign traffic are classified by a black-box NIDS. The prediction results returned by the NIDS are fed into the discriminator to guide the update of the generator. We generate malicious adversarial traffic based on a real public available dataset with attack functionality unchanged. The experimental results validate that the generated adversarial samples are able to deceive many existing black-box NIDS.

研究の動機と目的

• IoTデバイスの普及が進む中で、深層学習ベースのNIDSが対抗的例に対して脆弱であるという問題に取り組む。
• 従来、連続的データに適しているが、離散的かつ構造的なネットワークトラフィック（パケットレベル）を生成するには不向きとされるGANを、離散的・構造的ネットワークトラフィック生成に克服する。
• ドメイン制約の下で、順序付き意思決定プロセスとして対抗的パケット生成を定式化する手法を開発する。
• 元の攻撃の意味論を保持する現実的で対抗的なトラフィックを生成することで、ブラックボックス型NIDSの効果的回避を可能にする。
• 強化学習を用いた生成によって、パケットレベルでの対抗的ネットワークトラフィック生成の可能性と有効性を実証する。

提案手法

• 各パケット内のバイトをシーケンス内のトークンとして扱い、パケットレベルの対抗的生成を順序付き意思決定プロセスとして定式化する。
• SeqGANにインspiredされたポリシー勾配ベースのジェネレータを採用し、識別器からの期待報酬を最大化するようにトークン（バイト）を選択する。
• 本物の健全なトラフィックと生成された対抗的トラフィックを用いて訓練された識別器を用い、ジェネレータ最適化のフィードバックを提供する。
• ブラックボックス型NIDSの予測結果を報酬信号として統合し、検出を回避するトラフィックの生成をジェネレータが指向するように導く。
• 生成されたパケットが有効なネットワークプロトコル構造および意味論に従うように、ドメイン制約を維持する。
• 報酬がNIDSによる対抗的サンプルの誤分類（健全と判定）に基づく強化学習を用いてジェネレータを訓練する。

実験結果

リサーチクエスチョン

• RQ1 シーケンスベースのGANフレームワークは、攻撃の機能を保持しつつ、パケットレベルでの対抗的ネットワークトラフィックを効果的に生成できるか？
• RQ2 既存の対抗的生成手法と比較して、提案されたAttack-GANはブラックボックス型NIDSをどれほど効果的に回避できるか？
• RQ3 NIDSフィードバックを用いたポリシー勾配ベースのジェネレータは、回避性能をどの程度向上させるか？
• RQ4 生成された対抗的トラフィックは、実際のネットワークパケットの意味論的・構文的妥当性を保持しているか？
• RQ5 根本的なアーキテクチャを変更せずに、異なる種類のネットワーク攻撃に一般化可能か？

主な発見

• Attack-GANは、ポリシー勾配最適化を用いてバイトを順序付きトークンとしてモデル化することで、パケットレベルの対抗的ネットワークトラフィックを効果的に生成した。
• 生成された対抗的サンプルは、複数のブラックボックス型NIDSに対して高い回避率を達成し、本手法の有効性を示した。
• 本手法は、生成されたトラフィックにおいて元の攻撃の機能を保持しており、悪意ある意図がそのまま維持された。
• NIDSの予測結果を報酬信号として統合することで、ジェネレータがより洗練された対抗的サンプルを生成する能力が著しく向上した。
• 画像ベースのGAN手法と比較して、離散的パケットレベルデータを直接処理する本手法は、対抗的トラフィック生成において優れた性能を示した。
• 実験結果により、生成されたトラフィックが意味論的に妥当であり、最先端のNIDSを効果的に回避できることを検証した。