区块链网络中基于联邦学习的网络攻击检测：在安全性与准确性之间取得平衡
密码学与安全
2024-09-10 v1 机器学习
摘要
本文提出一种新的协作式网络攻击检测 (CCD) 系统，旨在通过解决联邦学习模型中噪声添加的复杂挑战，增强基于区块链的数据共享网络的安全性。利用差分隐私的理论原理，我们的方法战略性地将噪声注入训练子模型，然后通过传输来重构全局模型。我们系统性地探讨了各种噪声类型（即Gaussian、Laplace和Moment Accountant）对关键性能指标的影响，包括攻击检测准确率、深度学习模型收敛时间以及全局模型生成的总运行时间。我们的发现揭示了在确保数据隐私与维持系统性能之间存在的复杂权衡，为为 diverse CCD 环境优化这些参数提供了宝贵的见解。通过大量仿真，我们提供了在数据保护和系统效率之间实现最佳平衡的可操作性建议，为推动安全可靠的区块链网络的发展作出贡献。
引用
@article{arxiv.2409.04972,
title = {Balancing Security and Accuracy: A Novel Federated Learning Approach for Cyberattack Detection in Blockchain Networks},
author = {Tran Viet Khoa and Mohammad Abu Alsheikh and Yibeltal Alem and Dinh Thai Hoang},
journal= {arXiv preprint arXiv:2409.04972},
year = {2024}
}
备注
13 pages