通过联邦学习增强车联网中的入侵检测
密码学与安全
2023-11-27 v1 人工智能
机器学习
摘要
联邦学习是一种去中心化机器学习技术，允许多方协作学习共享模型而无需共享其原始数据。本文提出一种使用 CIC-IDS 2017 数据集的车联网（IOVs）入侵检测联邦学习框架。该框架采用 SMOTE 处理类不平衡，使用离群点检测识别并移除异常观测，并进行超参数调优以优化模型性能。作者使用多种性能指标评估所提框架，并证明了其在其他数据集（KDD-Cup 99 和 UNSW-NB-15）及传统分类器上检测入侵的有效性。此外，该框架能在实现高入侵检测性能的同时保护敏感数据。
引用
@article{arxiv.2311.13800,
title = {Enhancing Intrusion Detection In Internet Of Vehicles Through Federated Learning},
author = {Abhishek Sebastian and Pragna R and Sudhakaran G and Renjith P N and Leela Karthikeyan H},
journal= {arXiv preprint arXiv:2311.13800},
year = {2023}
}