Cerberus：探索安全事件的联邦预测
密码学与安全
2022-09-08 v1 人工智能
摘要
现代网络攻击防御日益依赖主动式方法，例如基于过往事件预测攻击者的下一步行动。构建准确的预测模型需要来自众多组织的知识；然而，这涉及披露网络结构、安全态势与策略等敏感信息，而这些信息往往不宜公开或根本无法公开。本文探讨使用联邦学习（Federated Learning, FL）预测未来安全事件的可行性。为此，我们提出 Cerberus，一个支持参与组织协作训练循环神经网络（Recurrent Neural Network, RNN）模型的系统。其思路在于，FL 或可在将训练数据汇聚于中心服务器的非隐私方案与仅训练本地模型的低效用替代方案之间提供折中。我们在某大型安全公司入侵防护产品所得数据集上实现 Cerberus，并从效用、鲁棒性、隐私以及参与者对系统的贡献与获益等方面进行评估。总体而言，我们的工作揭示了使用 FL 执行该任务的积极面与挑战，并为部署预测安全的联邦方法铺平了道路。
引用
@article{arxiv.2209.03050,
title = {Cerberus: Exploring Federated Prediction of Security Events},
author = {Mohammad Naseri and Yufei Han and Enrico Mariconti and Yun Shen and Gianluca Stringhini and Emiliano De Cristofaro},
journal= {arXiv preprint arXiv:2209.03050},
year = {2022}
}