FedDICE：一种基于联邦学习与SDN缓解的分布式集成临床环境中勒索软件传播检测方法
密码学与安全
2021-12-16 v1 人工智能
摘要
集成临床环境（ICE）实现了医院中围绕患者护理的医疗物联网的连接与协调。然而，包括ICE在内的医院基础设施上的勒索软件攻击及其传播正在上升。攻击者常针对多家医院发动相同的勒索软件攻击。这些攻击通常通过机器学习算法检测。但挑战在于在以下条件下设计反勒索软件的学习机制与服务：(1) 若一家医院遭受攻击，其他医院能获得免疫；(2) 医院通常分布在地理上不同的位置；(3) 出于隐私顾虑避免直接数据共享。对此，本文提出一种联邦分布式集成临床环境，即FedDICE。FedDICE将保护隐私的联邦学习（FL）集成到面向SDN的安全架构中，以实现勒索软件攻击的协同学习、检测与缓解。我们在最多四家医院和四种流行勒索软件家族（即WannaCry、Petya、BadRabbit和PowerGhost）的协作环境中展示了FedDICE的重要性。我们的结果发现，在IID和非IID数据设置下，FedDICE均达到了需要直接数据共享才能检测的集中式基线性能。然而，作为数据隐私的权衡，FedDICE在反勒索软件模型训练中存在开销，例如逻辑回归模型为28倍。此外，FedDICE利用SDN的动态网络可编程特性来移除ICE中的受感染设备。
引用
@article{arxiv.2106.05434,
title = {FedDICE: A ransomware spread detection in a distributed integrated clinical environment using federated learning and SDN based mitigation},
author = {Chandra Thapa and Kallol Krishna Karmakar and Alberto Huertas Celdran and Seyit Camtepe and Vijay Varadharajan and Surya Nepal},
journal= {arXiv preprint arXiv:2106.05434},
year = {2021}
}