面向轻量级入侵检测的分散式在线联邦 G-网络学习
密码学与安全
2023-11-29 v2 机器学习
网络与互联网体系结构
摘要
网络攻击日益威胁网络化系统，常伴随新型未知（零日）攻击的出现以及脆弱设备的增多。此类攻击亦可针对供应链的多个组件，这些组件可通过基于机器学习（ML）的入侵检测系统（IDSs）加以保护。然而，学习大量标注数据的需求常将基于 ML 的 IDSs 的适用性限制在仅能访问私有本地数据的网络系统，而诸如供应链之类的分布式系统具有多个组件，每个组件必须在遭受同一攻击的同时保护其私有数据。为解决此问题，本文提出一种新颖的基于 G-网络模型与协作学习的分散式在线联邦学习入侵检测（DOF-ID）架构，该架构使特定组件所使用的每个 IDS 除自身本地数据外，还能从其他组件获得的经验中学习，且不违反其他组件的数据隐私。使用公开 Kitsune 和 Bot-IoT 数据集的性能评估结果表示，DOF-ID 在所有协作组件中显著提升了入侵检测性能，且在线学习的计算时间可接受。
引用
@article{arxiv.2306.13029,
title = {Decentralized Online Federated G-Network Learning for Lightweight Intrusion Detection},
author = {Mert Nakıp and Baran Can Gül and Erol Gelenbe},
journal= {arXiv preprint arXiv:2306.13029},
year = {2023}
}