FedDef：基于联邦学习的网络入侵检测系统中针对梯度泄露的防御
密码学与安全
2023-08-03 v3 机器学习
摘要
深度学习方法已广泛应用于基于异常的网络入侵检测系统（NIDS）以检测恶意流量。为扩展基于DL方法的使用场景，联邦学习（FL）允许多个用户在尊重个体数据隐私的基础上训练全局模型。然而，在现有防御下，基于FL的NIDS对已有隐私攻击的鲁棒性如何尚未得到系统评估。为解决此问题，我们提出两种面向基于FL的NIDS的隐私评估指标，包括（1）隐私分数，利用重构攻击评估原始流量特征与恢复流量特征之间的相似度；（2）使用恢复流量进行对抗攻击时针对NIDS的规避率。我们通过实验表明，现有防御提供的保护甚微，且相应的对抗流量甚至可规避SOTA NIDS Kitsune。为防御此类攻击并构建更鲁棒的基于FL的NIDS，我们进一步提出FedDef，一种具有理论保证的基于优化的输入扰动防御策略。它通过最小化梯度距离实现高可用性，并通过最大化输入距离实现强隐私保护。我们在四个数据集上实验评估了四种现有防御，结果表明在最优参数组合下，我们的防御在隐私保护方面优于所有基线，隐私分数最高提升7倍，同时将模型精度损失控制在3%以内。
引用
@article{arxiv.2210.04052,
title = {FedDef: Defense Against Gradient Leakage in Federated Learning-based Network Intrusion Detection Systems},
author = {Jiahui Chen and Yi Zhao and Qi Li and Xuewei Feng and Ke Xu},
journal= {arXiv preprint arXiv:2210.04052},
year = {2023}
}
备注
Accepted to TIFS'23, volume 18