探索与增强RPL中IDS部署：一种基于联邦学习的方法
密码学与安全
2025-03-25 v2
摘要
在RPL安全中，入侵检测（ID）起着至关重要的作用，尤其考虑到其易受攻击，特别是内部威胁所实施的攻击。尽管文献中众多研究提出了利用多种技术的入侵检测系统（IDS），但此类系统在RPL拓扑中的部署位置在很大程度上仍未被探索。本研究旨在通过严格评估三种入侵检测架构（考虑集中式与分布式部署），依据有效性、成本、隐私与安全性等多项标准，来填补这一空白。研究结果强调了攻击者位置及IDS与攻击者的邻近度对检测结果的显著影响。因此，除评估传统入侵检测架构外，本研究探索使用联邦学习（FL）来改进RPL网络内的入侵检测。FL的分散式模型训练方法通过确保从节点收集相关信息而不论其与潜在攻击者的邻近度，有效解决了攻击者位置对IDS性能的影响。此外，该方法不仅缓解了安全顾虑，还最小化了ID节点间的通信开销。因此，FL减少了对大量数据传输的需求，从而缓解了易损网络中固有的丢包与延迟影响。另外，本研究调查了本地数据共享对FL性能的影响，厘清了有效性与安全性之间的平衡。
引用
@article{arxiv.2303.16561,
title = {Exploring and Enhancing Placement of IDS in RPL: A Federated Learning-based Approach},
author = {Selim Yilmaz and Sevil Sen and Emre Aydogan},
journal= {arXiv preprint arXiv:2303.16561},
year = {2025}
}
备注
17 pages, 7 figures, research article