[논문 리뷰] Generative Adversarial Networks: A Survey Towards Private and Secure Applications

Zhipeng Cai, Zuobin Xiong외 4명|arXiv (Cornell University)|2021. 06. 07.

Privacy-Preserving Technologies in Data참고 문헌 156인용 수 23

한 줄 요약

이 종합적 서베이는 개인정보 및 보안 응용 분야에서 생성적 적대적 네트워크(GANs)에 대해 포괄적인 분석을 제공하며, 개인정보 및 보안 기능별로 최신 기술을 분류한다. 적대적 샘플 탐지, 악성코드 탐지(정적 및 동적 분석 포함), 바이오정보학적 인식, 산업 보안 분야에서 GAN 기반 접근법을 탐구하며, 이러한 새로운 분야에서의 장점, 한계 및 향후 연구 방향을 강조한다.

ABSTRACT

Generative Adversarial Networks (GAN) have promoted a variety of applications in computer vision, natural language processing, etc. due to its generative model's compelling ability to generate realistic examples plausibly drawn from an existing distribution of samples. GAN not only provides impressive performance on data generation-based tasks but also stimulates fertilization for privacy and security oriented research because of its game theoretic optimization strategy. Unfortunately, there are no comprehensive surveys on GAN in privacy and security, which motivates this survey paper to summarize those state-of-the-art works systematically. The existing works are classified into proper categories based on privacy and security functions, and this survey paper conducts a comprehensive analysis of their advantages and drawbacks. Considering that GAN in privacy and security is still at a very initial stage and has imposed unique challenges that are yet to be well addressed, this paper also sheds light on some potential privacy and security applications with GAN and elaborates on some future research directions.

연구 동기 및 목표

• 다양한 도메인에서 GAN 기반 개인정보 및 보안 응용 분야의 최근 발전을 체계적으로 서베이하고 분류하는 것.
• 적대적 샘플 탐지 및 악성코드 분류와 같은 개인정보 및 보안 작업에서 기존 GAN 프레임워크의 강점과 한계를 분석하는 것.
• 데이터 부족, 모델 강건성, 보안 민감 환경에서의 실질적 구현 등 GAN이 개인정보 및 보안 분야에 적용될 때 아직 해결되지 않은 과제를 규명하는 것.
• 개인정보 및 보안 분야에서 모델 설계, 데이터 활용, 응용 분야 특화 모델 적응을 위한 유망한 향후 연구 방향을 제안하는 것.

제안 방법

• 기존의 GAN 기반 개인정보 및 보안 기술을 功能 그룹으로 분류: 적대적 샘플 탐지, 악성코드 탐지(정적/동적), 바이오정보학적 인식, 산업 보안.
• 생성자(generator)가 입력을 잠재 공간으로 매핑하고, 판별자(discriminator)가 진짜 또는 적대적 잠재 벡터를 분류하는 방식으로 GAN을 특징 압축기(feature squeezer)로 사용하는 것을 제안.
• 강건한 탐지 모델을 훈련하기 위한 데이터 부족 문제를 해결하기 위해 GAN을 활용해 합성 악성코드 샘플을 생성하는 방법 적용.
• 가상 환경에서 적대적 행동 패턴을 생성함으로써 동적 분석을 향상시키기 위해 GAN을 적용.
• 실제 데이터가 제한된 산업 시스템에서 적대적 데이터를 생성하기 위해 GAN을 활용하고, 일반화 성능 향상을 위해 전이 학습(transfer learning)을 결합하는 연구.
• WGAN, InfoGAN, CycleGAN과 같은 GAN 변종이 개인정보 및 보안 응용 분야에서 어떻게 활용될 수 있는지 분석.

실험 결과

연구 질문

• RQ1 기계 학습 모델에서 적대적 샘플을 효과적으로 탐지하기 위해 GAN을 어떻게 활용할 수 있는가?
• RQ2 미지의 또는 제로데이 악성코드를 탐지하기 위해 GAN을 적용할 때의 핵심 과제는 무엇이며, GAN은 정적 및 동적 분석에서 탐지 성능을 어떻게 향상시킬 수 있는가?
• RQ3 GAN은 어떤 방식으로 바이오정보학적 인식 시스템, 특히 갈색인식과 같은 미개척 모odalities(모odalities)에 기여할 수 있는가?
• RQ4 실제 데이터가 제한된 환경에서 산업 보안 분야에서 고품질의 적대적 데이터를 GAN이 어떻게 생성할 수 있는가?
• RQ5 개인정보 및 보안 분야에서 GAN의 가장 유망한 향후 연구 방향은 무엇이며, 특히 모델 설계 및 데이터 활용 측면에서 어떤 방향이 있는가?

주요 결과

• GAN은 생성자를 특징 압축기로 사용하고 판별자를 잠재 표현에 대한 이진 분류기로 활용함으로써 적대적 샘플 탐지에 강력한 잠재력을 보여준다.
• 악성코드 탐지 분야에서 GAN은 합성 악성코드 샘플을 생성함으로써 데이터 부족 문제를 해결하고, 정적 및 동적 분석 모두에서 모델의 강건성을 향상시킨다.
• 현재의 GAN 기반 악성코드 탐지 방법은 여전히 수작업으로 만든 특징에 크게 의존하고 있으며, 특히 가상 환경에서의 동적 특징의 종합적 활용이 부족하다.
• 바이오정보학적 인식에서 GAN의 활용은 지문 및 얼굴 인식를 초과해 아직 미개척된 분야이며, 갈색인식 및 기타 생체 인식 모달리티에서 큰 잠재력이 있다.
• 산업 보안 분야에서 GAN은 제한된 실제 샘플에서 적대적 데이터를 생성할 수 있지만, 생성된 분포에서 클래스 불균형 문제가 여전히 주요 과제로 남아 있다.
• 향후 연구는 개인정보 및 보안 응용 분야에서 데이터 효율성과 모델 일반화 성능 향상을 위해 전이 학습을 GAN과 통합하는 데 초점을 맞춰야 한다.