一种面向物联网网络中增强型基于联邦学习入侵检测的聚类策略
网络与互联网体系结构
2023-07-27 v1
摘要
物联网（IoT）正在快速发展，因此确保针对物联网设备的网络安全攻击防护的需求也在增长。在此场景下，入侵检测系统（IDSs）发挥着关键作用，而基于机器学习（ML）的数据驱动 IDSs 近来吸引了研究界越来越多的关注。传统的基于 ML 的 IDSs 建立在集中式架构之上，即物联网设备将其数据共享给中央服务器以进行模型训练，而我们提出了一种基于联邦学习（FL）的新方法。然而，由于物联网设备收集的数据具有高度统计异质性，传统 FL 在所考虑的场景中效果不佳。为克服这一局限，我们提出了一种三层基于 FL 的架构，其中物联网设备依据其统计特性被聚类在一起。聚类决策通过一种新颖的基于熵的策略做出，该策略有助于提升模型训练性能。我们在 CIC-ToN-IoT 数据集上测试了我们的方案：相较于传统 FL 方法，我们的聚类策略在 F1-score 方面将入侵检测性能最高提升了 +17%，同时显著减少了训练轮数。
引用
@article{arxiv.2307.14268,
title = {A Clustering Strategy for Enhanced FL-Based Intrusion Detection in IoT Networks},
author = {Jacopo Talpini and Fabio Sartori and Marco Savi},
journal= {arXiv preprint arXiv:2307.14268},
year = {2023}
}