Recommended
More Related Content
Featured
Featured (20)
Intrusion Detection Systems vs Generative Adversarial Networks
- 1. Intrusion Detection Systems vs Generative Adversarial Networks Università degli Studi di Salerno
- 2. Generative Adversarial Network 2 211200004042723 ▷ Tecnica emergente basata su due reti neurali in competizione tra di loro ▷ Generatore: crea nuovi candidati falsi ▷ Discriminatore: riceve i dati (sia falsi che autentici) e deve distinguere le due classi ▷ Le due reti sono addestrate simultaneamente ▷ I feedback del discriminatore aiutano a migliorare il generatore ▷ Entrambi migliorano le loro capacità fino a raggiungere un equilibrio in cui i falsi non sono più distinguibili
- 3. Back Propagation Back Propagation 3 Esempio: Immagini ‘artificiali’
- 4. 4 Esempio: Immagini ‘artificiali’ ▷ Immagine generata da StyleGAN di Nvidia ▷ Le possibilità aperte dal GAN nella falsificazione delle immagini creano scenari preoccupanti ▷ Automatizzazione di creazione fake sui social ▷ Video che incriminano persone inesistenti
- 6. Applicazioni di GAN 6 211200004042723 ▷ Non solo generazione di nuove immagini… ▷ Ricostruzione modelli 3D da immagini 2D ▷ Miglioramento immagini astronomiche ▷ Diagnosi precoce di malattie ▷ Utile anche per supportare sistemi che utilizzano il machine learning ma hanno training set limitati
- 7. Intrusion Detection Systems 7 211200004042723 ▷ Un Network Intrusion Detection System (NIDS) ha lo scopo di identificare possibile traffico malevolo in transito su una rete ▷ È tipicamente un dispositivo passivo ▷ Non è attraversato dal traffico ma si limita ad intercettarlo ▷ Non rallenta la rete ▷ Non è in grado di fermare il traffico pericoloso
- 8. NIDS Anomaly Based 10 211200004042723 ▷ Viene definito un profilo per il traffico «normale» ▷ Il traffico in transito sarà poi classificato binariamente come normale o come anomalo ▷ La definizione di normalità può variare nel tempo ▷ Necessari continui riaddestramenti ▷ Suscettibile al problema del Class Imbalance ▷ Per forza di cose il traffico usato per l’addestramento consisterà in molto più traffico legittimo che malevolo ▷ Ottimo riconoscimento del traffico normale, ma possibili falsi negativi sul traffico anomalo
- 9. IDS Evasion con GAN 11 211200004042723 ▷ Una GAN potrebbe essere utilizzata per generare traffico malevolo non rilevabile come tale dall’IDS
- 10. IDS Evasion con GAN 12 211200004042723 ▷ Per prima cosa si addestra il discriminatore a comportarsi come l’IDS
- 11. IDS Evasion con GAN 13 211200004042723 ▷ Il generatore inizia poi a «giocare» contro il discriminatore, alterando features del traffico malevolo senza eliminarne la componente d’attacco ▷ Ogni volta che il generatore non riesce ad ingannare il discriminatore, usa il feedback per migliorare ▷ È molto probabile che il generatore impari a creare del traffico che, pur conservando la componente d’attacco, non viene rilevato dall’IDS
- 12. White Hat GAN 14 211200004042723 ▷ Questa tecnica può anche essere usata a scopo di difesa ▷ Il traffico malevolo generato dalla GAN può servire a migliorare la capacità di classificazione dell’IDS, fornendo più esempi di anomalie ▷ Tale soluzione potrebbe anche mitigare il problema del class imbalance durante il training dell’IDS
- 13. Riferimenti ▷ Lin, Zilong, Yong Shi, and Zhi Xue. "Idsgan: Generative adversarial networks for attack generation against intrusion detection." arXiv preprint arXiv:1809.02077 (2018). ▷ Msika, Simon, Alejandro Quintero, and Foutse Khomh. "SIGMA: Strengthening IDS with GAN and Metaheuristics Attacks." arXiv preprint arXiv:1912.09303 (2019). ▷ Shahriar, Md Hasan, et al. "G-IDS: Generative Adversarial Networks Assisted Intrusion Detection System." arXiv preprint arXiv:2006.00676 (2020). 15