Def-IDS An Ensemble Defense Mechanism Against Adversarial Attacks for Deep Learning-based Network Intrusion Detection

Paper 本文总阅读量次

Def-IDS: An Ensemble Defense Mechanism Against Adversarial Attacks for Deep Learning-based Network Intrusion Detection

作者：Jianyu Wang，Jianli Pan，Ismail AlQerm，（密苏里大学圣路易斯分校，重庆大学）

时间：2021

ICCCN，ccf—C类

ABSTRACT

​ 提出了Def-IDS，一个为NIDS准备的组合防御机制。它是一个由两个模块组成的训练框架，组合了multi-class generative adversarial networks（MGANs）和multi-soutce adversarial retraining（MAT）。

​ 在CSE-CIC-IDS2018数据集上测试了该机制，并与3个其它方法进行了比较。结果表明Def-IDS可以以更高的precision, recall, F1 score, and accuracy来识别对抗样本。

INTRODUCTION

​ Internet of Things(IoT):物联网

​ intrusion detection systems (NIDS)

​ 提出了一个整合基于对抗训练的防御机制，用于提升DL-based的intrusion detectors的鲁棒性。

​ 4个贡献：

  1. 模型由两个模块组成，组合了multi-class generative adversarial networks（MGANs）和multi-soutce adversarial retraining（MAT），可以在保证准确率的前提下对抗攻击；
  2. MGANs可以通过同时过采样多类入侵来增强原始训练数据集，以减少训练与真实数据分布之间的差距。通过使用提升过的数据进行训练，detector的对已知和未知攻击的鲁棒性更强；
  3. MAT通过投喂多种不同的对抗样本来retraining，MAT不仅对抗某种特定的攻击，并且可以一定程度抵御对样样本的转移性；
  4. 我们进行了一些state-of-the-art攻击并且在CSE-CIC-IDS2018数据集上测试了该机制，结果很好。

ADVERSARIAL ATTACK THREAT MODELS

  • 采用的攻击方法：FGSM，BIM，DeepFool，JSMA

PROPOSED DEF-IDS DEFENSE MECHANISM

1. Mechanism Overview

2. Module 1: Multi-class GAN-based Retraining

3. Module 2: Multi-source Adversarial Retraining

4. Ensemble Adversarial Retraining

EVALUATION

1. Dataset and Metrics

​ 数据集：CSE-CIC-IDS2018（CIC出版）（通用）

​ 与其他过时的数据集相比，其含有综合性的攻击方法和更平衡的数据。

​ 其含有Brute-force, Heartbleed,Botnet, DoS, DDoS, Web attacks 和 infifiltration of the network共7种恶意流量。

​ 数据处理：

  1. 使用Min-Max standardization将所有特征的值映射入[0,1]；

  2. 有四个特征有太多空值或者无限值（dstport, protocol, flflow byts/s, flflow pkts/s），有一个特征（timestamp）与流量无关，将这5个特征剔除；还剩下76个特征。

  3. training,validation,test = 8:1:1，随机划分。

​ Detector的评价方法：

​ 混淆矩阵。

2. Baseline Detector Implementation

2.1 Detector Implementation

​ 选取baseline detector C~base~。其由一个输入层，两个隐藏层和一个输出层组成（76-128-64-8）。

​ 隐藏层都是全连接层+ReLU。

​ 输出层使用Softmax。

​ 代码用keras写的，系统Ubuntu 18.04,3.6GHz CPU和16GB内存。

​ 优化器用Adam，学习率0.001,20个epoch。

​ 在训练过程中，进行十次交叉验证并计算平均度量值。

​ 训练结束后，利用测试数据集对Cbase进行评估。

2.2 Adversarial Attacks against Baseline Classififier

​ 使用python库foolbox来生成对抗样本；

​ FGSM，BIM，DeepFool，JSMA四种攻击方法都使用，具体效果如下图所示：

​

3. Def-IDS Defense Evaluation

C~gan~是使用GAN生成的样本再训练的detector;

C~at~是使用9:1的纯净数据：恶意数据再训练出的detector;

C~ensem~是二者的结合.

4. Comparison with Other Works

5. Cost Estimation