Стандартные генеративно-состязательные сети для увеличения данных в несбалансированных наборах данных систем обнаружения вторжений

Цели. Несбалансированность классов в наборах данных систем обнаружения вторжений (intrusion detection system, IDS) создает сложности для достижения равномерной эффективности обнаружения. В данном исследовании представлен стандартный каркас на основе генеративно-состязательной сети (generative adversarial network, GAN) для синтетической генерации сетевого трафика с целью расширения обучающих наборов данных IDS. Цель работы – оценить качество и практическую ценность сгенерированных GAN образцов для повышения способности IDS к обобщению. Исследование сосредоточено на проверке того, могут ли стандартные GAN генерировать реалистичный синтетический трафик, а не на целевой генерации отдельных малочисленных классов атак.

Методы. При реализации на наборах данных для исследований в области обнаружения вторжений NSL-KDD, CIC-IDS2017 и CIC-IDS2018 структура GAN продемонстрировала высокую точность в воспроизведении распределения реального сетевого трафика, что было подтверждено анализом гистограмм различных характеристик, таких как длительность потоков, объем байтов и частота пакетов.

Результаты. Структура обеспечивает стабильное обучение, поддерживая разнообразие генерируемых образцов и создавая аутентичные синтетические данные. На наборе данных CIC-IDS2017 модель случайного леса, обученная на реальных данных, достигла точности 99,86%. Синтетические данные, сгенерированные с помощью GAN, сохранили тот же уровень точности (99,86%), что подтверждает качество генерации синтетического сетевого трафика для общего расширения данных. Однако стандартная GAN генерирует образцы из общей распределенной выборки данных, не ориентируясь на конкретные классы атак, что означает, что малочисленные атаки (U2R1, R2L2) не были специально учтены.

Выводы. Данное исследование демонстрирует, что стандартные GAN способны генерировать реалистичный синтетический сетевой трафик, сохраняющий общую производительность классификатора, что подтверждает концепцию применения GAN для увеличения данных в системах обнаружения вторжений. Однако стандартная GAN не решает задачу генерации малочисленных атак, поскольку создает выборки из общей распределенной выборки данных без классового контроля. Основные ограничения методологии включают вычислительную сложность и невозможность целенаправленной генерации недостаточно представленных классов атак (U2R, R2L). В дальнейшем требуется использование условных GAN, чтобы обеспечить классово-ориентированную генерацию и напрямую устранить дисбаланс классов в наборах данных IDS.

1. Al-Ajlan M., Ykhlef M. A Review of Generative Adversarial Networks for Intrusion Detection Systems: Advances, Challenges, and Future Directions. Comput. Mater. Contin. 2024;81(2):2053–2076. https://doi.org/10.32604/cmc.2024.055891

2. Arnob A.K.B., Chowdhury R.R., Chaiti N.A., Saha S., Roy A. A comprehensive systematic review of intrusion detection systems: emerging techniques, challenges, and future research directions. J. Edge Comput. 2025;4(1):73–104. https://doi.org/10.55056/jec.885

3. Arifin M.M., Ahmed M.S., Ghosh T.K., Udoy I.A., Zhuang J., Yeh J. A Survey on the Application of Generative Adversarial Networks in Cybersecurity: Prospective. Direction and Open Research Scopes. arXiv preprint arXiv:2407.08839 [cs.CR], 2024. https://doi.org/10.48550/arXiv.2407.08839

4. Kumar V., Sinha D. Synthetic attack data generation model applying generative adversarial network for intrusion detection. Comput. Secur. 2023;125:103054. https://doi.org/10.1016/j.cose.2022.103054

5. Zhao X., Fok K.W., Thing V.L.L. Enhancing Network Intrusion Detection Performance Using Generative Adversarial Networks. Comput. Secur. 2024;145:04005. https://doi.org/10.1016/j.cose.2024.104005

6. Dunmore A., Jang-Jaccard J., Sabrina F., Kwak J. A Comprehensive Survey of Generative Adversarial Networks (GANs) in Cybersecurity Intrusion Detection. IEEE Access. 2023;11:76071–76094. https://doi.org/10.1109/ACCESS.2023.3296707

7. Sabuhi M., Zhou M., Bezemer C.-P., Musilek P. Applications of Generative Adversarial Networks in Anomaly Detection: A Systematic Literature Review. IEEE Access. 2021;9:161003–161029. https://doi.org/10.1109/ACCESS.2021.3131949

8. Zhang S., Xie X., Xu Y. A Brute-Force Black-Box Method to Attack Machine Learning-Based Systems in Cybersecurity. IEEE Access. 2020;8:128250–128263. https://doi.org/10.1109/ACCESS.2020.3008433

9. Shao M., Liu S., Wang R., Zhang G. An Adversarial sample defense method based on multi-scale GAN. Int. J. Mach. Learn. Cybern. 2021;12(2):3437–3447. https://doi.org/10.1007/s13042-021-01374-w

10. Lee J., Park K. GAN-based imbalanced data intrusion detection system. Pers. Ubiquitous Comput. 2021;25(1):121–128. https://doi.org/10.1007/s00779-019-01332-y

11. Lim W., Yong K.S.C., Lau B.T., Tan C.C.L. Future of generative adversarial networks (GAN) for anomaly detection in network security: A review. Comput. Secur. 2024;139:103733. https://doi.org/10.1016/j.cose.2024.103733

12. Shahriar M.H., Haque N.I., Rahman M.A., Alonso M. Jr. G-IDS: Generative Adversarial Networks Assisted Intrusion Detection System. arXiv preprint arXiv:2006.00676 [cs.CR], 2020. https://doi.org/10.48550/arXiv.2006.00676

13. Alotaibi A., Rassam M.A. Adversarial machine learning attacks against intrusion detection systems: A survey on strategies and defense. Future Internet. 2023;15(2):62. https://doi.org/10.3390/fi15020062

14. Achuthan K., Ramanathan S., Srinivas S., Raman R. Advancing cybersecurity and privacy with artificial intelligence: current trends and future research dire ctions. Front. Big Data. 2024;7:1497535. https://doi.org/10.3389/fdata.2024.1497535

15. Almasre M., Subahi A. Create a Realistic IoT Dataset Using Conditional Generative Adversarial Network. J. Sens. Actuator Netw. 2024;13(5):62. https://doi.org/10.3390/jsan13050062

16. Yilmaz I., Masum R., Siraj A. Addressing imbalanced data problem with generative adversarial network for intrusion detection. In: 2020 IEEE 21st International Conference on Information Reuse and Integration for Data Science (IRI). IEEE. 2020. P. 25–30. https://doi.org/10.1109/IRI49571.2020.00012

17. Huang S., Lei K. IGAN-IDS: An imbalanced generative adversarial network towards intrusion detection system in ad-hoc networks. Ad Hoc Netw. 2020;105:102177. https://doi.org/10.1016/j.adhoc.2020.102177

18. Bhattacharya S., Somayaji S., Reddy P.K., et al. A novel PCA-firefly based XGBoost classification model for intrusion detection in networks using GPU. Electronics. 2020;9(2):219. https://doi.org/10.3390/electronics9020219

19. Talukder M.A., Uddin M.A., Hasan K.F., et al. Machine learning-based network intrusion detection for big and imbalanced data using oversampling, stacking feature embedding and feature extraction. J. Big Data. 2024;11(1):33. https://doi.org/10.1186/s40537-024-00886-w

20. Biswas H., Kumar M.M., Kumar P. Intrusion Detection in OT/SCADA Cyber Security and Tabular Generative Adversarial Networks. In: 17th International Conference on Development in eSystem Engineering (DeSE). IEEE. 2024. P. 1–6. https://doi.org/10.1109/DeSE63988.2024.10911912

21. Andresini G., Appice A., De Rose L., Malerba D. GAN augmentation to deal with imbalance in imaging-based intrusion detection. Future Gener. Comput. Syst. 2021;123:108–127. https://doi.org/10.1016/j.future.2021.04.017

22. Al Olaimat M., Lee D., Kim Y., Kim J., Kim J. A learning-based data augmentation for network anomaly detection. In: 2020 29th International Conference on Computer Communications and Networks (ICCCN). IEEE. 2020. P. 1–10. https://doi.org/10.1109/ICCCN49398.2020.9209598