A Novel Perturb-ability Score to Mitigate Evasion Adversarial Attacks on Flow-Based ML-NIDS
원문 초록
As network security threats evolve, safeguarding flow-based Machine Learning (ML)-based Network Intrusion Detection Systems (NIDS) from evasion adversarial attacks is crucial. This paper introduces the notion of feature perturb-ability and presents a novel Perturb-ability Score (PS), which quantifies how susceptible NIDS features are to manipulation in the problem-space by an attacker. PS thereby identifies features structurally resistant to evasion attacks in flow-based ML-NIDS due to the semantics of network traffic fields, as these features are constrained by domain-specific limitations and correlations. Consequently, attempts to manipulate such features would likely either compromise the attack's malicious functionality, render the traffic invalid for processing, or potentially both outcomes simultaneously. We introduce and demonstrate the effectiveness of our PS-enabled defenses, PS-guided feature selection and PS-guided feature masking, in enhancing flow-based NIDS resilience. Experimental results across various ML-based NIDS models and public datasets show that discarding or masking highly manipulatable features (high-PS features) can maintain solid detection performance while significantly reducing vulnerability to evasion adversarial attacks. Our findings confirm that PS effectively identifies flow-based NIDS features susceptible to problem-space perturbations. This novel approach leverages problem-space NIDS domain constraints as lightweight universal defense mechanisms against evasion adversarial attacks targeting flow-based ML-NIDS.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
A Robust PPO-optimized Tabular Transformer Framework for Intrusion Detection in Industrial IoT Systems
자연 가시성 그래프 기반 사이버 공격 탐지를 위한 위상 지표의 다중 방식 중요도 및 성능 효율성 분석
A Multi Method Importance and Performance Efficiency Analysis of Topological Metrics for Natural Visibility Graph Based Cyber Attack Detection
자연 가시성 그래프(Natural Visibility Graph, NVG) 기반 분석은 서로 다른 구조적 특성을 반영하는 위상 기술자(topological descriptor)를 통해 네트워크 트래픽을 특성화합니다. 그러나 모든 기술자가 사이버 공격 분류에 동일하게 기여하는 것은 아니며, 대규모 지표 집합을 추출하는 것은 계산 비용을 증가시킬 수 있습니다. 본 연구에서는 NVG에서 유도된 21개의 위상 지표를 평가하고, 축소된 하위 집합이 계산 효율성을 개선하면서도 분류 성능을 유지할 수 있는지 조사합니다. SHAP, 그룹화된 순열 중요도(Permutation Importance), Boruta, 재귀적 특징 제거(Recursive Feature Elimination, RFE)의 네 가지 중요도 분석 방법을 합의 순위(Consensus Ranking) 전략을 통해 통합합니다. 이 순위를 바탕으로 Full21, Top15, Top10, Top7, Top5, Top3 구성을 CICIDS2018 데이터셋, CNN 분류기, 계층화된 5겹 교차 검증을 사용하여 평가합니다. 가장 높은 순위를 기록한 세 가지 지표는 avg_clustering_coeff_median, avg_clustering_coeff_std, avg_clustering_coeff_mean입니다. Top3는 97.148%의 정확도, 97.055%의 가중 F1 점수, 0.9675의 MCC를 기록하여 Full21의 95.999%, 95.521%, 0.9549와 비교해 관측된 최고 평균 성능을 달성했습니다. 또한 전체 실행 시간을 14,961.39초에서 589.22초로 96.06% 단축했습니다. 이러한 결과는 중요도 기반의 지표 축소가 평가된 환경에서 더 높은 관측 평균 예측 성능과 실질적으로 훨씬 낮은 계산 비용을 갖춘 간결한 NVG 표현을 제공할 수 있음을 보여줍니다.
BARS: 네트워크 침입 탐지에서 오경보 감소를 위한 정상 앵커 기반 순위 및 선택
BARS: Benign-Anchored Ranking and Selection for False Alarm Reduction in Network Intrusion Detection
오경보는 네트워크 침입 탐지 시스템(NIDS) 배포의 주요 장애 요인으로 남아 있다. 대용량 환경에서는 1% 미만의 오탐률(false positive rate)만으로도 하루에 수만 건의 경보가 발생할 수 있다. 필터 기반 특징 선택은 분류기 상류에서 동작하고 추론 시 비용을 추가하지 않기 때문에 매력적이다. 그러나 고전적 필터는 정상 트래픽이 기준선을 정의하고 공격이 이로부터의 편차라는 침입 탐지의 비대칭성을 무시하는 클래스 대칭 기준을 사용한다. 최근의 클래스 비대칭 필터인 Classwise Mean Deviation(CMD)는 이 문제를 다루지만, 점수를 전역 평균에 앵커하며 클래스 불균형 시 전역 평균이 공격 분포 쪽으로 이동하여 포착하려는 편차를 약화시킨다. 우리는 CMD의 전역 앵커를 정상 클래스 평균으로 대체하고 순서 보존 탈상관 단계를 적용하는 2단계 필터인 Benign-Anchored Ranking and Selection(BARS)를 제안한다. CICIDS2017, CICDDoS2019, UNSW-NB15에서 특징 예산 k = {5, 10, 20, 30, 40}으로 BARS를 평가한다. 전역 앵커 바이어스가 가장 강한 공격 다수 데이터셋에서 BARS는 k = 20일 때 UNSW-NB15에서 CMD 대비 오탐률을 15.4% 감소시키고, 작은 특징 예산에서 CICDDoS2019에서 21%에서 23% 감소시키며 정탐률(true positive rate)과 macro-F1을 유지한다. 정상 다수 데이터에서는 BARS와 CMD가 수렴하며, 이는 전역 앵커 및 정상 앵커 점수가 일치하는 이론적 한계와 일치한다. BARS는 보편적으로 우월한 필터라기보다 CMD의 원칙적 개선이다. Pearson Correlation과 Mutual Information이 종종 더 낮은 오탐률을 달성하지만, 우리 평가에서 가장 큰 벤치마크에서 1 TB를 넘는 메모리를 요구했다. BARS는 선형 시간 점수 산출과 낮은 메모리 사용량을 유지하여 자원 제약 환경 배포에 적합하다.
UAVIDS-2025 데이터셋에서 신뢰할 수 있는 침입 탐지를 위한 XAI 및 통계 분석: 트리에서 하이브리드 및 테이블형 DNN 앙상블까지
XAI and Statistical Analysis for Reliable Intrusion Detection in the UAVIDS-2025 Dataset: From Tree to Hybrid and Tabular DNN Ensembles
최근 몇 년간, 설명 가능한 인공지능(XAI)의 하위 분야인 기계론적 해석 가능성(Mechanistic Interpretability) 개념이 도입되어, UAV 침입 탐지 시스템(UAVIDS)과 같은 핵심 시스템에서 복잡한 기계학습(ML) 모델의 의사결정을 설명하는 데 활용되고 있다. 본 논문에서는 데이터 전처리 모범 사례를 적용하고, 계층적 10-폴드 교차 검증을 통해 UAV 침입 탐지를 위한 다양한 트리 앙상블, 심층 신경망, 하이브리드 스태킹 모델, 최신 앙상블 신경망을 폭넓게 검토한다. 최고 성능 모델인 XGBoost를 바탕으로 Shapley Additive Explanations(SHAP)를 적용하여 전역 및 지역 특징 중요도를 분석하고, 각 공격이 정상 트래픽을 모방하기 위해 어떤 특징을 표적으로 삼는지, 그리고 오분류가 발생하는 지점을 파악한다. 이어서 바이올린 플롯과 커널 밀도 추정(KDE) 곡선을 시각적으로 비교하는 분포 분석을 수행한다. 다중 비교를 위한 Westfall-Young 순열 검정, KDE의 대역폭 최적화, Jensen-Shannon 거리 선택을 통해 UAVIDS-2025에서 웜홀 및 블랙홀 공격에서 관찰된 거짓 예측의 실제 원인을 규명한다. 본 연구의 결과는 UAV 침입 탐지를 위한 견고하고 신뢰할 수 있으며 설명 가능한 모델을 제공하는 동시에, 해당 데이터셋에서 이들 공격 간의 밀도 지지 교차(Density Support Intersection) 문제와 관련하여 공격의 은폐된 특성을 포착하고 명확히 하는 통계적 통찰을 제시한다.
A Hybrid CNN-LSTM Intrusion Detection Framework for Cybersecurity in Smart Renewable Energy Grids
Poster: Enhancing GNN Robustness for Network Intrusion Detection via Agent-based Analysis
토론
이 논문과 연결된 포럼 글이 아직 없습니다.