基于联邦学习的异常检测
机器学习
2022-10-14 v1 人工智能
密码学与安全
摘要
机器学习通过引入分类器和自编码器来区分正常与异常行为，推动了异常检测领域的发展。此外，联邦学习提供了一种让全局模型利用多个客户端的数据进行训练而无需客户端直接共享数据的方式。本文提出了一种基于联邦学习的新型异常检测器，用于检测客户端服务器上的恶意网络活动。在我们的实验中，我们在联邦学习框架中使用带分类器的自编码器来判断网络活动是良性还是恶意。通过使用我们名为 FedSam 的新型最小-最大标量和采样技术，我们确定联邦学习使全局模型能从每个客户端的数据中学习，进而为每个客户端提供一种改进其入侵检测系统以防御网络攻击的手段。
引用
@article{arxiv.2210.06614,
title = {Anomaly Detection via Federated Learning},
author = {Marc Vucovich and Amogh Tarcar and Penjo Rebelo and Narendra Gade and Ruchi Porwal and Abdul Rahman and Christopher Redino and Kevin Choi and Dhruv Nandakumar and Robert Schiller and Edward Bowen and Alex West and Sanmitra Bhattacharya and Balaji Veeramani},
journal= {arXiv preprint arXiv:2210.06614},
year = {2022}
}