一种基于联邦学习的新型入侵检测系统以增强无人机隐私与安全
密码学与安全
2025-06-27 v3 机器学习
摘要
在飞行自组网（FANET）中运行的无人机面临安全挑战，因为这些网络具有动态和分布式特性。以往研究主要集中于集中式入侵检测，假设存在一个负责存储和分析所有设备数据的中央实体。然而，这些方法面临计算和存储成本以及单点故障风险等问题，威胁数据隐私和可用性。数据在互联设备间的广泛分散凸显了对去中心化方法的需求。本文介绍了基于联邦学习的入侵检测系统（FL-IDS），以应对FANET中集中式系统面临的挑战。FL-IDS降低了客户端和中央服务器的计算和存储成本，这对资源受限的无人机至关重要。FL-IDS以去中心化方式运行，使无人机能够协作训练全局入侵检测模型，而无需共享原始数据，从而避免了基于收集数据做出决策的延迟（传统方法常有的问题）。实验结果表明，FL-IDS在缓解隐私问题的同时，与集中式IDS（C-IDS）性能相当，而偏向特定客户端（BTSC）方法即使在攻击者比例较低时也能进一步提升FL-IDS性能。与传统入侵检测方法（包括本地IDS（L-IDS））的比较分析揭示了FL-IDS的优势。本研究通过引入一种针对无人机网络的隐私感知、去中心化入侵检测方法，为无人机安全做出了重要贡献。此外，通过引入用于FANET和联邦学习的真实数据集，我们的方法不同于其他缺乏高动态性和3D节点移动或准确联邦数据联合的方法。
引用
@article{arxiv.2312.04135,
title = {A Novel Federated Learning-Based IDS for Enhancing UAVs Privacy and Security},
author = {Ozlem Ceviz and Pinar Sadioglu and Sevil Sen and Vassilios G. Vassilakis},
journal= {arXiv preprint arXiv:2312.04135},
year = {2025}
}
备注
Published in Internet of Things, Volume 25, 2025, Article 101592