评估联邦学习在物联网入侵检测中的应用：综述与挑战
机器学习
2021-08-03 v1 密码学与安全
网络与互联网体系结构
摘要
将机器学习（ML）技术应用于众所周知的入侵检测系统（IDS）是通过有效且高效的检测过程应对日益复杂的网络安全攻击的关键。在物联网（IoT）背景下，多数支持 ML 的 IDS 方法采用集中式方法，即 IoT 设备将其数据共享至数据中心以作进一步分析。为缓解集中式方法带来的隐私担忧，近年来联邦学习（FL）的使用在包括医疗与交通系统在内的不同领域引起了显著关注。然而，面向 IoT 的 FL 赋能 IDS 的开发尚处于起步阶段，仍需要从多个领域的研究努力，以明确在真实场景部署中的主要挑战。在此方向上，我们的工作基于多类分类器评估了一种 FL 赋能的 IDS 方法，考虑不同数据分布以检测 IoT 场景中的各类攻击。具体而言，我们通过按 IoT 设备的 IP 地址与攻击类型划分近期的 ToN_IoT 数据集，得到三种不同设定。此外，我们基于此类设定，使用近期的 IBMFL 框架作为 FL 实现，评估了不同聚合函数的影响。另外，我们基于现有文献与评估结果分析，确定了一系列挑战与未来方向。
引用
@article{arxiv.2108.00974,
title = {Evaluating Federated Learning for Intrusion Detection in Internet of Things: Review and Challenges},
author = {Enrique Mármol Campos and Pablo Fernández Saura and Aurora González-Vidal and José L. Hernández-Ramos and Jorge Bernal Bernabe and Gianmarco Baldini and Antonio Skarmeta},
journal= {arXiv preprint arXiv:2108.00974},
year = {2021}
}
备注
41 pages, 11 figures, 4 tables