KiNETGAN: Ermöglich vertehte Netzwerkintrusionserkennung durch wissensbasierte synthetische Datenerzeugung

Im Bereich von IoT/CPS-Systemen, die über mobile Netzwerke verbunden sind, analysieren traditionelle Eindringlingserkennungsmethoden den Netzwerkverkehr auf mehreren Geräten unter Verwendung von Anomalieerkennungstechniken, um potenzielle Sicherheitsbedrohungen zu kennzeichnen. Diese Methoden stehen jedoch vor erheblichen Datenschutz-Herausforderungen, insbesondere bei der tiefen Paketinspektion und der Analyse des Netzwerkkommunikationsverkehrs. Diese Art der Überwachung ist sehr einbringlich, da sie den Inhalt von Datensätzen untersucht, die persönliche und sensible Informationen enthalten können. Solche Datenanalysen werden oft durch strenge Gesetze und Vorschriften geregelt, besonders in Umgebungen wie Smart Homes, wo der Datenschutz von höchster Wichtigkeit ist. Synthetische Daten bieten eine vielversprechende Lösung, indem sie das echte Netzwerkverhalten nachahmen, ohne sensible Details preiszugeben. Generative Modelle wie Generative Adversarial Networks (GANs) können synthetische Daten erzeugen, haben aber oft Schwierigkeiten dabei, realistische Daten in spezialisierten Bereichen wie Netzwerkaktivität zu generieren. Diese Einschränkung resultiert aus unzureichenden Trainingsdaten, die das Modell daran hindern, die Regeln und Beschränkungen des Bereichs angemessen zu erfassen. Zudem verschärft der Mangel an Trainingsdaten das Problem der Klassenungleichgewichtigkeit in Eindringlingserkennungsmethoden. Um diese Herausforderungen zu bewältigen, schlagen wir einen datenschutzorientierten Rahmen vor, der ein wissensgestütztes Generatives adversariales Netzwerk zur Erzeugung synthetischer Netzwerkaktivitätsdaten (KiNETGAN) nutzt. Dieser Ansatz erhöht die Widerstandsfähigkeit verteilter Eindringlingserkennungssysteme und berücksichtigt gleichzeitig Datenschutzbedenken. Unser wissensgeleitetes GAN erzeugt realistische Darstellungen von Netzwerkaktivitäten, was durch sorgfältige Experimente bestätigt wurde. Wir zeigen auf, dass KiNETGAN in nachgelagerten Aufgaben einen minimalen Genauigkeitsverlust aufweist und somit effektiv den Datenschutz mit der Nutzbarkeit ausbalanciert.