Синтез реалистичных синтетических данных с помощью диффузионной модели TabDDPM в задачах обнаружения сетевых атак

Актуальность. Для исследований и тестирования средств обнаружения атак требуются репрезентативные наборы сетевого трафика, однако их сбор и разметка трудозатратны, а распространение ограничено требованиями конфиденциальности и рисками утечек. Синтетические данные позволяют увеличить объем выборок и моделировать редкие сценарии и сценарии «нулевого дня» при сохранении статистических свойств сетевого трафика.

Цель: повышение качества и воспроизводимости формирования синтетических табличных признаков
сетевого трафика на примере Android-приложений за счет применения диффузионной модели Tabular Denoising Diffusion (TabDDPM) и комплексной валидации результатов генерации на согласованном наборе метрик.

Методы. Использована диффузионная генеративная модель TabDDPM, применимая к произвольным табличным наборам данных. Эффективность генерации оценивается методами статистического анализа: сравнение распределений и зависимостей признаков, проверка полезности в прикладной задаче, а также оценка отличия синтетических данных от реальных.

Результат. Выполнен комплексный анализ качества TabDDPM при генерации табличных признаков сетевого трафика атак или нежелательных приложений. Показана возможность формирования контролируемых синтезированных наборов данных, сохраняющих характерные паттерны трафика и обеспечивающих масштабирование обучающих выборок без прямого копирования исходных записей.

Новизна. Предложен согласованный протокол постгенерационной валидации синтетического трафика, сочетающий метрики реалистичности, полезности и неотличимости, что снижает риск некорректных выводов при разрозненной оценке. Для количественной оценки качества генерации синтезируемых данных предложен интегральный показатель качества на основе партициальных метрик.

Теоретическая значимость состоит в развитии методического подхода к верификации табличных диффузионных моделей для задач кибербезопасности.

Практическая значимость заключается в возможности применения получаемых синтетических наборов данных для моделирования компьютерных атак, сценариев «нулевого дня», стресс-тестирования и обучения / проверки систем обнаружения вторжений.

1. Ding J., Li X., Kang X., Gudivada V.N. A Case Study of the Augmentation and Evaluation of Training Data for Deep Learning // Journal of Data and Information Quality. 2019. Vol. 11. Iss. 4. PP. 1‒22. DOI:10.1145/3317573

2. Bansal A., Sharma R., Kathuria M. A Systematic Review on Data Scarcity Problem in Deep Learning: Solution and Applications // ACM Computing Surveys. 2022. Vol. 54. Iss. 10s. PP. 1‒29. DOI:10.1145/3502287

3. Alqahtani H., Kavakli-Thorne M., Kumar G. Applications of Generative Adversarial Networks (GANs): An Updated Review // Archives of Computational Methods in Engineering. 2021. Vol. 28. Iss. 2. PP. 525‒552. DOI:10.1007/s11831-019-09388-y. EDN:FTPNOL

4. Cubuk E.D., Zoph B., Mané D., Vasudevan V., Le Q.V. AutoAugment: Learning Augmentation Strategies From Data // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR, Long Beach, USA, 2019). IEEE, 15–20 June 2019). PP. 113‒123. DOI:10.1109/CVPR.2019.00020

5. Cui L., Li H., Chen K., Shou L., Chen G. Tabular data augmentation for machine learning: Progress and prospects of embracing generative AI // arXiv preprint arXiv:2407.21523. 2024. DOI:10.48550/arXiv.2407.21523

6. Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., et al. Generative adversarial networks // Communications of the ACM. 2020. Vol. 63. Iss. 11. PP. 139‒144. DOI:10.1145/3422622. EDN:SESCXD

7. Kingma D.P., Welling M. An Introduction to Variational Autoencoders // Foundations and Trends in Machine Learning. 2019. Vol. 12. Iss. 4. PP. 307‒392. DOI:10.1561/2200000056

8. Yang L., Zhang Z., Song Y., Hong S., Xu R., Zhao Y., al. Diffusion Models: A Comprehensive Survey of Methods and Applications // ACM Computing Surveys. 2024. Vol. 56. Iss. 4. PP. 1‒39. DOI:10.1145/3626235

9. Kotelnikov A., Baranchuk D., Rubachev I., Babenko A. TabDDPM: Modelling tabular data with diffusion models // arXiv preprint arXiv:2209.15421. 2022. DOI:10.48550/arXiv.2209.15421

10. Kingma D.P., Welling M. Auto-encoding variational Bayes // arXiv preprint arXiv:1312.6114. 2022. DOI:10.48550/arXiv.1312.6114

11. Ho J., Jain A., Abbeel P. Denoising Diffusion Probabilistic Models // Advances in Neural Information Processing Systems 33 (NeurIPS). 2020.

12. Шелухин О.И., Маторин Ф.А. Снижение размерности массивов данных с помощью многослойных автокодировщиков в задаче классификации мобильных приложений // Труды учебных заведений связи. 2024. Т. 10. № 6. С. 111–120. DOI:10.31854/1813-324X-2024-10-6-111-120. EDN:TOPDUA

13. Шелухин О.И., Маторин Ф.А., Ванюшина А.В. Оценка свойств многослойных автокодировщиков в задаче обнаружения и классификации мобильных приложений // Наукоемкие технологии в космических исследованиях Земли. 2024. Т. 16. № 6. С. 12–20. DOI:10.36724/2409-5419-2024-16-6-12-20. EDN:CRPLOR