一项关于基于GAN的少数群体增强技术在大规模网络攻击（UWF-ZeekData22）入侵检测中的系统性消融研究 作者：Asfaw Debelie、Sikha S. Bagui、Subhash C. Bagui 和 Dustin Mink

《Electronics》：A Systematic Ablation Study of GAN-Based Minority Augmentation for Intrusion Detection on UWF-ZeekData22 Asfaw Debelie, Sikha S. Bagui, Subhash C. Bagui and Dustin Mink

　　

摘要

生成对抗网络（GANs）越来越多地被应用于减少入侵检测系统中的极端类别不平衡问题，然而报告中的改进效果往往掩盖了增强强度和对抗稳定性的影响。本文通过一项受控的消融研究，隔离了对抗目标选择、增强比例和训练持续时间对基于GAN的少量数据增强方法在高度不平衡的表格网络安全数据中的影响。使用UWF-ZeekData22数据集，评估了在0.25和0.50的增强比例以及400和800个训练周期下的九个MITRE ATT&CK战术与良性行为的分类任务。研究了四种GAN变体——Vanilla GAN、Conditional GAN（cGAN）、WGAN和WGAN-GP，并使用了分层交叉验证和五种具有不同归纳偏见的经典分类器进行测试。研究结果揭示了一致的结构模式：适度的增强（r = 0.25）结合受控的训练（400个周期）能够带来最稳定和可靠的少数群体召回率提升。基于Wasserstein的目标函数在侵袭性增强和长时间训练下表现出更强的稳定性，而条件GAN在极度稀疏的情况下经常出现召回率下降的现象。增加增强量并不一定能提升性能，甚至可能引入分布重叠，从而降低基于线性和边际的分类器的效果。一旦达到足够的少数群体密度，基于树的分类器基本保持不变。这些发现表明，对抗性校准对于提高对罕见攻击的检测能力比架构复杂性更为重要。本研究为在极端的网络安全类别不平衡情况下设计稳健的基于GAN的增强流程提供了实际指导。