[논문 리뷰] FGAN: Federated Generative Adversarial Networks for Anomaly Detection in Network Traffic

Sankha Das|arXiv (Cornell University)|2022. 03. 21.

Network Security and Intrusion Detection인용 수 5

한 줄 요약

이 논문은 대규모 네트워크 트래픽에서 이상 탐지에 적합한 프라이버시 보장형 분산 생성 적대적 네트워크 아키텍처인 FGAN을 제안한다. 이는 분산된 노드 간에 프라이버시를 보장하면서도 협업형 모델 훈련을 가능하게 한다. 피드포워드 러닝과 가중치 기반 모델 앙상블, 그리고 동형 암호화를 활용함으로써 FGAN은 다양한 공격 유형에 대해 탐지 정확도를 향상시키면서도 데이터 프라이버시를 보호하고 모델 위변조 위험을 완화한다.

ABSTRACT

Over the last two decades, a lot of work has been done in improving network security, particularly in intrusion detection systems (IDS) and anomaly detection. Machine learning solutions have also been employed in IDSs to detect known and plausible attacks in incoming traffic. Parameters such as packet contents, sender IP and sender port, connection duration, etc. have been previously used to train these machine learning models to learn to differentiate genuine traffic from malicious ones. Generative Adversarial Networks (GANs) have been significantly successful in detecting such anomalies, mostly attributed to the adversarial training of the generator and discriminator in an attempt to bypass each other and in turn increase their own power and accuracy. However, in large networks having a wide variety of traffic at possibly different regions of the network and susceptible to a large number of potential attacks, training these GANs for a particular kind of anomaly may make it oblivious to other anomalies and attacks. In addition, the dataset required to train these models has to be made centrally available and publicly accessible, posing the obvious question of privacy of the communications of the respective participants of the network. The solution proposed in this work aims at tackling the above two issues by using GANs in a federated architecture in networks of such scale and capacity. In such a setting, different users of the network will be able to train and customize a centrally available adversarial model according to their own frequently faced conditions. Simultaneously, the member users of the network will also able to gain from the experiences of the other users in the network.

연구 동기 및 목표

• 중앙 집중식 기계 학습의 한계, 특히 다양한 공격 유형에 대한 데이터 프라이버시 및 모델 일반화 능력 향상 측면에서의 문제점을 해결하기 위해.
• 원시 트래픽 데이터를 중앙 집중화하지 않고도 대규모 네트워크에서 강력한 이상 탐지 모델을 훈련하기 위한 확장 가능하고 프라이버시 보장형 프레임워크를 개발하기 위해.
• 데이터 기밀성과 모델 무결성을 유지하면서도 분산된 네트워크 노드 간에 협업형 모델 개선을 가능하게 하기 위해.
• 동형 암호화를 통해 분산 모델 앙상블 과정에서의 모델 훼손 및 위변조 공격 위험을 최소화하기 위해.
• 다양한 네트워크 지역에서 변화하는 공격 패tern에 적응할 수 있도록 탐지 모델을 동적으로 개선할 수 있도록 하기 위해.

제안 방법

• 프레임워크는 훈련 클러스터, 프oxy 서버, 그리고 모델 업데이트를 조율하기 위한 중앙 서버로 구성된 3단계 분산 학습 아키텍처를 사용한다.
• 각 훈련 클러스터는 자체 네트워크 트래픽에서 GAN을 로컬로 훈련하며, 생성자는 실제 트래픽을 유사하게 재현하는 데 학습하고, 판별자는 진짜 트래픽와 가짜 트래픽를 구분하는 데 학습한다.
• 클러스터에서 온 모델 업데이트는 프oxy 서버로 전송되며, 요청 우선순위 및 데이터 품질 지표를 기반으로 가중 평균을 적용한 후 중앙 서버로 전달된다.
• 중앙 서버는 암호화된 기울기의 가중 평균을 사용하여 글로벌 모델을 앙상블하며, 동형 암호화를 통해 프라이버시를 보장한다.
• 모델 파라미터 및 업데이트는 훈련 과정 全 과정 동안 암호화되어, 신뢰할 수 없는 실체가 원시 데이터나 기울기를 노출하는 것을 방지한다.
• 최종적으로 앙상블된 모델은 모든 클러스터로 재배포되어, 모든 노드가 집단적 학습의 이점을 누리면서도 로컬 데이터 프라이버시를 유지할 수 있다.

실험 결과

연구 질문

• RQ1 어떻게 분산 학습을 GAN과 융합하여 대규모 네트워크 트래픽에서 이상 탐지 성능을 향상시키면서도 데이터 프라이버시를 보장할 수 있는가?
• RQ2 다양하고 잠재적으로 신뢰할 수 없는 네트워크 클러스터에서 온 업데이트가 있을 경우, 모델 업데이트 앙상블의 공정성과 무결성을 확보하기 위한 메커니즘은 무엇인가?
• RQ3 네트워크 침입 탐지 환경에서 분산 모델 앙상블 과정 중에 모델 위변조 및 훼손 공격을 어떻게 완화할 수 있는가?
• RQ4 우선순위 기반 업데이트 가중치와 암호화된 앙상블이 모델 수렴 속도와 탐지 정확도에 미치는 영향은 어떠한가?
• RQ5 분산 GAN 아키텍처는 중앙 집중식 GAN에 비해 다양한 공격 유형에 대해 더 우수한 일반화 성능을 달성할 수 있는가?

주요 결과

• 제안된 FGAN 프레임워크는 원시 트래픽 데이터를 공유하지 않으면서도 분산된 네트워크 노드 간에 GAN 기반 이상 탐지 모델을 협업형으로 훈련시킬 수 있어 프라이버시를 보장한다.
• 요청 우선순위를 기반으로 한 가중치 기반 모델 앙상블을 통해, 모델 업데이트 통합 과정에서의 공정성과 강건성을 향상시킨다.
• 모델 업데이트를 동형 암호화함으로써 중앙 서버는 개별 기울기를 복호화하지 않고도 모델을 앙상블할 수 있어, 데이터 泄露 또는 위변조 위험을 크게 감소시킨다.
• 프oxy 서버를 통해 앙성 작업을 분산시킴으로써 중앙 서버의 부담을 줄여 대규모 네트워크에 대한 확장성을 향상시킨다.
• 다양한 네트워크 클러스터에서 유래한 다양한 트래픽 특성에 노출됨으로써, 최종 앙성 모델은 다양한 공격 패턴에 대해 더 우수한 일반화 성능을 보였다.
• 훈련 파이프라인 全 과정에서 암호화되고 검증 가능한 업데이트를 보장함으로써, 모델의 무결성을 유지하고 선택적 훼손 공격에 저항할 수 있었다.