深度迁移学习：一种用于物联网网络入侵检测系统的新型协作学习模型
机器学习
2022-10-05 v2
摘要
联邦学习（FL）近来已成为入侵检测系统的一种有效方法，尤其在物联网（IoT）网络中。通过将学习过程分布到IoT网关，FL可提升入侵检测系统的学习效率、降低通信开销并增强隐私性。在此类系统中实施FL的挑战包括标注数据的不可用性以及不同IoT网络中数据特征的异质性。本文提出一种利用迁移学习（TL）克服这些挑战的新型协作学习框架。具体而言，我们开发了一种新型协作学习方法，使具有未标注数据的目标网络能够有效且快速地从拥有丰富标注数据的源网络学习知识。重要的是，最先进的研究要求参与网络的数据库具有相同的特征，从而限制了入侵检测系统的效率、灵活性以及可扩展性。然而，我们提出的框架可通过在各种深度学习模型间交换学习知识来解决这些问题，即使它们的数据集具有不同特征。在近期真实世界网络安全数据集上的大量实验表明，所提框架相比最先进的基于深度学习的方法可提升40%以上。
引用
@article{arxiv.2112.00988,
title = {Deep Transfer Learning: A Novel Collaborative Learning Model for Cyberattack Detection Systems in IoT Networks},
author = {Tran Viet Khoa and Dinh Thai Hoang and Nguyen Linh Trung and Cong T. Nguyen and Tran Thi Thuy Quynh and Diep N. Nguyen and Nguyen Viet Ha and Eryk Dutkiewicz},
journal= {arXiv preprint arXiv:2112.00988},
year = {2022}
}
备注
11 pages