Fed-LSAE：通过基于自编码器的潜空间审查抵御针对联邦网络威胁检测系统的投毒攻击
密码学与安全
2023-09-21 v1
摘要
传统集中式学习中安全问题的显著上升促进了联邦学习（FL）在构建无隐私泄露智能应用中的采用。在网络安全领域，各企业组织中的敏感数据连同上下文信息及高质量标注，对于构建用于检测网络威胁的高性能机器学习（ML）模型起着至关重要的作用。然而，来自 FL 系统内部投毒对手的风险引发了关于设计鲁棒抗投毒框架的讨论。尽管过去的防御机制基于离群点检测，近期方法往往更关注潜空间表示。本文研究一种用于 FL 的新型鲁棒聚合方法，即 Fed-LSAE，其利用倒数第二层与自编码器带来的潜空间表示，将恶意客户端排除在训练过程之外。在 CIC-ToN-IoT 与 N-BaIoT 数据集上的实验结果确认了我们的防御机制在针对物联网场景下前沿投毒攻击开发鲁棒 FL 威胁检测器方面的可行性。更具体地，FL 评估在集成我们的 Fed-LSAE 防御后，各项指标均呈现约 98% 的上升趋势。
引用
@article{arxiv.2309.11053,
title = {Fed-LSAE: Thwarting Poisoning Attacks against Federated Cyber Threat Detection System via Autoencoder-based Latent Space Inspection},
author = {Tran Duc Luong and Vuong Minh Tien and Nguyen Huu Quyen and Do Thi Thu Hien and Phan The Duy and Van-Hau Pham},
journal= {arXiv preprint arXiv:2309.11053},
year = {2023}
}