一种用于安卓恶意软件分类的动态加权联邦学习
密码学与安全
2023-04-28 v1 机器学习
摘要
安卓恶意软件攻击正以惊人的数量与日俱增，使安卓用户更易遭受网络攻击。研究者已开发了许多机器学习（ML）/深度学习（DL）技术来检测并缓解安卓恶意软件攻击。然而，由于技术进步，安卓移动设备数量上升。此外，这些设备地理上分散，导致数据呈分布式。在此情形下，传统ML/DL技术不可行，因为所有这些方法都要求数据保存在中心系统中；由于安卓移动设备的大规模激增，这可能给用户隐私带来问题；将数据置于中心系统会产生开销。同时，传统的基于ML/DL的安卓恶意软件分类技术不具备可扩展性。研究者提出了基于联邦学习（FL）的安卓恶意软件分类系统，以在高分类性能下解决隐私保护与可扩展性问题。在传统FL中，利用联邦平均（FedAvg）通过在每轮合并所有参与FL的客户端所得本地模型来构建全局模型。然而，常规FedAvg有一个缺点：若每轮全局模型构建中包含一个性能不佳的本地模型，可能导致全局模型表现不佳。因为FedAvg在平均时平等对待所有本地模型。为解决此问题，本工作的主要目标是设计一种动态加权联邦平均（DW-FedAvg）策略，其中各本地模型的权重根据其客户端上的性能自动更新。DW-FedAvg使用安卓恶意软件分类研究中常用的四个基准数据集Melgenome、Drebin、Kronodroid和Tuandromd进行了评估。
引用
@article{arxiv.2211.12874,
title = {A Dynamic Weighted Federated Learning for Android Malware Classification},
author = {Ayushi Chaudhuri and Arijit Nandi and Buddhadeb Pradhan},
journal= {arXiv preprint arXiv:2211.12874},
year = {2023}
}
备注
Accepted in SoCTA 2022