一种用于隐私驱动IIoT异常检测的新型缓冲联邦学习框架
密码学与安全
2024-08-19 v1
摘要
工业物联网(IIoT)对数据隐私和网络安全威胁高度敏感。联邦学习(FL)作为一种保护隐私的解决方案出现，使私有数据能够保留在本地IIoT客户端，同时协作训练模型以检测网络异常。然而，同步和异步FL架构都存在局限性，特别是在处理因数据异质性和资源限制而速度各异的客户端时。同步架构受到掉队效应的影响，而异步方法则遇到通信瓶颈。此外，FL模型容易受到旨在披露私有训练数据的对抗推理攻击。为了解决这些挑战，我们提出了一种由同态加密赋能的缓冲FL(BFL)框架，用于异构IIoT环境中的异常检测。BFL利用一种新颖的加权平均时间方法来缓解掉队效应和通信瓶颈，通过与基于缓冲区的服务器协作，确保处理速度各异的客户端之间的公平性。从两个数据集得出的性能结果表明BFL优于最先进的FL方法，展示了改善的准确率和收敛速度，同时增强了隐私保护。
引用
@article{arxiv.2408.08722,
title = {A Novel Buffered Federated Learning Framework for Privacy-Driven Anomaly Detection in IIoT},
author = {Samira Kamali Poorazad and Chafika Benzaid and Tarik Taleb},
journal= {arXiv preprint arXiv:2408.08722},
year = {2024}
}