基于集成知识蒸馏联邦学习的异构物联网网络高效入侵检测
密码学与安全
2024-01-23 v1
摘要
随着低成本消费电子产品和云计算的快速发展，物联网设备被广泛用于支持下一代分布式系统，如智慧城市和工业控制系统。物联网设备由于其开放的部署环境和有限的计算能力，难以实施严格的安全控制，因此容易受到网络攻击。因此，入侵检测系统已成为通过监控和检测异常活动来保护物联网网络的有效方法之一。然而，现有的入侵检测方法依赖集中式服务器生成行为特征并检测异常，导致响应时间长、通信开销大、运营成本高。此外，在开放和分布式的物联网网络环境中共享行为数据可能违反设备隐私要求。而且，各种物联网设备倾向于捕获异构数据，这使行为模型的训练复杂化。本文引入联邦学习来协作训练一个去中心化的共享入侵检测模型，而无需将训练数据暴露给他人。此外，我们提出了一种名为联邦学习集成知识蒸馏（FLEKD）的有效方法，以缓解不同客户端之间的异构性问题。FLEKD实现了比传统模型融合技术更灵活的聚合方法。在公共数据集CICIDS2019上的实验结果表明，所提出的方法在速度和性能方面均优于本地训练和传统联邦学习，并显著提高了系统检测未知攻击的能力。最后，我们在三个潜在的真实世界场景中评估了所提出框架的性能，并显示FLEKD在实验结果中具有明显优势。
引用
@article{arxiv.2401.11968,
title = {Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning},
author = {Jiyuan Shen and Wenzhuo Yang and Zhaowei Chu and Jiani Fan and Dusit Niyato and Kwok-Yan Lam},
journal= {arXiv preprint arXiv:2401.11968},
year = {2024}
}