NIDSGAN 기반 기만 공격을 위한 피처 마스킹 중심 기만 공격 생성 기법
NIDSGAN-Based Deceptive Attack Generation with Feature Masking for IDS Evasion
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문은 적대적 생성 네트워크(GAN)를 기반으로 한 기만 공격 프레임워크인 NIDSGAN을 활용하여, 트래픽의 기능은 유지하면서 탐지 모델로부터 정상으로 분류되도록 입력 네트워크 플로우를 정밀하게 변조하는 기법을 제안한다. NSL-KDD 및 CIC-IDS2017 데이터셋을 대상으로 AlertNet, Kitsune, ACID 등 구조적으로 상이한 형태의 탐지 모델을 공격 대상으로 설정하고, 각 모델별 민감도 분석을 통해 탐지에 핵심적인 피처는 보존하고 선택적 변조를 수행한다. DeepNet 기반 탐지 모델을 판별자로 활용하여 생성기를 학습시켜 출력의 정상성을 유도하며 탐지 가능성과 은닉성 간 균형을 조정한다. 또한, 정량적 피처 중요도 및 모델 기반 민감도 분석을 결합한 다중 피처 마스킹 전략을 적용하여 기만 공격 성능을 강화하였다. 실험 결과, 피처 축소 조건에서도 평균 85% 이상의 기만 공격 성공률과 높은 기존 탐지 정확도를 유지하며 효과적인 기만 공격 성능을 입증하였다.
Abstract
This paper proposes a deceptive attack method built on the NIDSGAN framework that minimally perturbs per-flow features so that traffic preserves functionality while being classified as Benign by the target detector. Using NSL-KDD and CIC-IDS2017, we attack three heterogeneous NIDS—AlertNet, Kitsune, and ACID—and perform model-specific sensitivity analyses to preserve detection-critical features while selectively perturbing low-saliency ones. The generator is trained with a DeepNet-based detector as the internal critic (discriminator), steering outputs toward benign-like distributions and balancing detectability and stealth. We further introduce a multi-feature masking strategy that fuses quantitative feature importance with model-driven sensitivity to enhance evasion. Experiments show that, even under feature-reduction (masking) settings, the method achieves an average attack success rate (ASR) above 85% while maintaining high baseline detection accuracy.