基于小样本联邦学习的无人机动态网络分布式入侵检测
密码学与安全
2025-01-24 v1
摘要
飞行自组网主要互联无人机，由于其分布式和动态特性，呈现出独特的安全挑战，需要量身定制的安全解决方案。由于通信成本和隐私问题，飞行自组网中的入侵检测尤其具有挑战性。虽然联邦学习凭借其协作和分散的模型训练在飞行自组网的入侵检测中具有前景，但它也面临诸如大数据需求、功耗和时间限制等缺点。此外，在像飞行自组网这样的动态网络中，节点的高速移动可能会中断入侵检测系统之间的通信。为此，我们的研究探索使用小样本学习来有效减少飞行自组网中入侵检测所需的数据。所提出的方法称为基于小样本联邦学习的入侵检测系统，它融合了联邦学习和小样本学习，以应对入侵检测挑战，如隐私、功耗限制、通信成本和有损链路，展示了其在识别动态飞行自组网中路由攻击的有效性。该方法减少了本地模型和全局模型的训练时间和样本量，为降低计算和通信成本以及延长电池寿命提供了见解。此外，通过使用训练数据需求较少的小样本学习，入侵检测系统受飞行自组网中有损链路的影响可能更小。
引用
@article{arxiv.2501.13213,
title = {Distributed Intrusion Detection in Dynamic Networks of UAVs using Few-Shot Federated Learning},
author = {Ozlem Ceviz and Sevil Sen and Pinar Sadioglu},
journal= {arXiv preprint arXiv:2501.13213},
year = {2025}
}
备注
Accepted to EAI SecureComm 2024. For details, see: https://securecomm.eai-conferences.org/2024/accepted-papers/