[論文レビュー] FGAN: Federated Generative Adversarial Networks for Anomaly Detection in Network Traffic

Sankha Das|arXiv (Cornell University)|Mar 21, 2022

Network Security and Intrusion Detection被引用数 5

ひとこと要約

本論文では、大規模なネットワークトラフィックにおける異常検出のための、プライバシー保護型で協調的なモデル学習を可能にする、分散型生成対抗ネットワークアーキテクチャであるFGANを提案する。フェデレーテッドラーニングと重み付きモデルアグリゲーション、および同型暗号化を組み合わせることで、多様な攻撃に対して高い検出精度を実現するとともに、データプライバシーを保護し、モデル改ざんのリスクを低減する。

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.

研究の動機と目的

• 中央集権的な機械学習の限界、特に多様な攻撃タイプにわたるデータプライバシーとモデル一般化性能の観点から、ネットワークインシデント検出における課題を解決すること。
• 大規模ネットワークにおける生のトラフィックデータを中央集権化せずに、スケーラブルでプライバシー保護型のフレームワークを構築し、頑健な異常検出モデルの学習を可能にすること。
• データ機密性とモデル整合性を維持しながら、分散ネットワークノード間で協調的なモデル改善を可能にすること。
• フェデレーテッドモデルアグリゲーションにおけるモデル汚染や改ざん攻撃のリスクを、同型暗号化によって低減すること。
• 進化する攻撃パターンに適応可能な動的モデルの適合を、異なるネットワーク領域で実現すること。

提案手法

• フレームワークは、三段階のフェデレーテッドラーニングアーキテクチャを採用する：トレーニングクラスタ、プロキシサーバ、およびモデル更新を調整するための中核サーバ。
• 各トレーニングクラスタは、自らのネットワークトラフィック上で局所的にGANをトレーニングし、生成器は現実的なトラフィックを合成し、識別器は本物と偽物のトラフィックを区別するように学習する。
• クラスタから送信されたモデル更新は、プロキシサーバに到着し、リクエストの優先度とデータ品質指標に基づいた重み付き平均処理が施された後、中核サーバに転送される。
• 中核サーバは、暗号化された勾配の重み付き平均を用いてグローバルモデルをアグリゲートする。同型暗号化によりプライバシーが保証される。
• トレーニングプロセス中、すべてのモデルパラメータと更新は暗号化されたまま維持され、信頼できないエージェントが生データや勾配を露出するのを防ぐ。
• 最終的なアグリゲートモデルは、すべてのクラスタに再配布され、すべてのノードが集団学習の恩恵を受ける一方で、ローカルデータのプライバシーを保持する。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングとGANを効果的に統合することで、生のデータを共有せずに大規模ネットワークトラフィックにおける異常検出の精度を向上させ、かつデータプライバシーを保護することは可能か？
• RQ2 多様で信頼できないネットワーククラスタから送信される更新を統合する際、公平性と整合性を保証するメカニズムは何か？
• RQ3 フェデレーテッドモデルアグリゲーションの文脈において、モデル改ざんや汚染攻撃のリスクをどのように低減できるか？
• RQ4 優先度ベースの更新重み付けと暗号化アグリゲーションが、モデル収束性と検出精度に与える影響は何か？
• RQ5 フェデレーテッドGANアーキテクチャは、中央集権型GANと比較して、多様な攻撃タイプにわたる一般化性能を向上させることができるか？

主な発見

• 提案されたFGANフレームワークにより、生のトラフィックデータを共有せずに、分散ネットワークノード間でGANベースの異常検出器の協調学習が可能となり、プライバシーが保護される。
• リクエスト優先度に基づいた重み付きモデルアグリゲーションを採用することで、モデル更新統合における公平性と耐障害性が向上する。
• モデル更新の同型暗号化により、中核サーバが個々の勾配を復号せずともモデルをアグリゲート可能となり、データ漏洩や改ざんのリスクが顕著に低減される。
• プロキシサーバによるアグリゲーション処理の分散化により、中核サーバの負荷が軽減され、大規模ネットワークにおけるスケーラビリティが向上する。
• 複数のネットワーククラスタが異なるトラフィック特性にさらされたことにより、最終的なアグリゲートモデルは多様な攻撃パターンへの一般化性能が向上する。
• トレーニングパイプライン全体で暗号化され検証可能な更新を保証することで、モデル整合性が維持され、選択的汚染攻撃に対しても耐性を示す。