Синтетическая и конфиденциальная генерация сетевых трасс с помощью генеративных моделей ИИ для обучения систем обнаружения сетевых вторжений

Системы обнаружения сетевых вторжений (NIDS) являются ключевыми инструментами для защиты сетевых устройств от кибератак. Недавние достижения в области искусственного интеллекта (ИИ) предоставили значительные преимущества для реализации NIDS, способных в реальном времени контролировать сетевой трафик и блокировать кибератаки. В литературе широко признаётся, что для эффективного обучения NIDS требуется большое количество размеченных трафиков, репрезентативных по отношению к атакам. Тем не менее наличие публичных и обширных наборов данных остаётся существенно ограниченным из‑за затрат на сбор и разметку реальных трасс трафика и проблем с конфиденциальностью при их совместном использовании. Чтобы решить эти проблемы, в статье представлен генеративный ИИ‑модель, способная синтезировать анонимизированные трассы трафика на основе реальных, таким образом учитывая вопросы конфиденциальности, доступности и репрезентативности. Предложение основано на условном вариационном автоэнкодере (Conditional Variational Autoencoder, CVAE) и процедуре предварительной обработки, специально разработанной для генерации новых трасс трафика. Для валидации решения проведено обширное эмпирическое исследование с использованием трёх недавних и общедоступных наборов данных, содержащих доброкачественный и вредоносный трафик. Валидация выполнена как с точки зрения классификационной производительности надёжной NIDS, так и с точки зрения качества синтетических данных по сравнению с использованием реальных данных. Мы сравниваем наш CVAE с двумя современными генераторами трафика на базе ИИ и демонстрируем, что при обучении NIDS на трассах, сгенерированных нашей моделью, потери по F1‑мере по сравнению с обучением на реальных данных ограничены; модели конкурентов же испытывают трудности или не способны генерировать трассы, столь же эффективные для обучения NIDS и статистически схожие с оригиналом. Мы публикуем синтетические наборы данных в форматах PCAP и табличном формате, чтобы облегчить воспроизводимость наших результатов и поощрить дальнейшие исследования генеративного ИИ в сетевой области.