面向车载自组织网络的差分隐私协同入侵检测系统
密码学与安全
2020-05-05 v1 信号处理
摘要
车载自组织网络（VANET）是现代交通系统中提供安全性和有价值信息的使能技术，然而易受从被动窃听到主动干扰的多种攻击。入侵检测系统（IDS）是通过检测恶意行为来缓解威胁的重要设备。此外，VANET中车辆间的协作可通过节点间通信各自经验来提高检测准确率。为此，分布式机器学习是为VANET设计可扩展且可实现的协同检测算法的合适框架。协同学习的一个基本障碍是节点间交换数据带来的隐私问题。恶意节点可通过从观测数据推断获取其他节点的敏感信息。本文提出一种基于隐私保护机器学习的VANET协同IDS（PML-CIDS）。所提算法将交替方向乘子法（ADMM）应用于一类经验风险最小化（ERM）问题，并训练分类器以检测VANET中的入侵。我们使用差分隐私来刻画PML-CIDS的隐私概念，并提出双变量扰动方法以提供动态差分隐私。我们分析了理论性能并刻画了PML-CIDS安全性与隐私之间的基本权衡。我们还使用NSL-KDD数据集进行数值实验，以佐证关于检测准确率、安全-隐私权衡及设计的结果。
引用
@article{arxiv.2005.00703,
title = {Differentially Private Collaborative Intrusion Detection Systems For VANETs},
author = {Tao Zhang and Quanyan Zhu},
journal= {arXiv preprint arXiv:2005.00703},
year = {2020}
}