联邦网络防御：分布式系统中隐私保护的勃索肆虫检测
密码学与安全
2025-11-04 v1 人工智能
分布式、并行与集群计算
机器学习
摘要
检测恶意软件，尤其是勃索肆虫，是确保当今互联互联生态系统安全的关键，包括云存储、企业文件共享和数据库服务。训练高性能的人工智能（AI）检测器需要多样化的数据集，这些数据通常分布在多个组织之间，使得中央化处理成为必要。然而，由于安全、隐私法规、数据所有权问题以及跨组织数据共享的法律障碍，中央化学习往往难以实现。此外，勃索肆虫快速演变，要求模型既要稳健又要具有适应性。在本文中，我们评估了使用 Sherpa.ai FL 平台的联邦学习（FL），该平台使多个组织能够在保持原始数据本地和安全的同时协同时训练勃索肆虫检测模型。这一范式在包括软件和硬件供应商在内的 cybersecurity 公司尤其适用，这些公司在数百万端点上部署勃索肆虫检测或防火墙系统。在此类环境中，由于严格的安全、隐私或监管限制，数据不能传输到客户设备之外。虽然 FL 广泛适用于恶意软件威胁，但我们使用 Ransomware Storage Access Patterns（RanSAP）数据集对该方法进行了验证。我们的实验表明，FL 在勃索肆虫检测准确率上相对于服务器本地模型提升了约 9%，在性能上与集中训练相当。这些结果表明，FL 提供了一种可扩展、高性能且隐私保护的框架，用于跨组织和监管边界的主动勃索肆虫检测。
引用
@article{arxiv.2511.01583,
title = {Federated Cyber Defense: Privacy-Preserving Ransomware Detection Across Distributed Systems},
author = {Daniel M. Jimenez-Gutierrez and Enrique Zuazua and Joaquin Del Rio and Oleksii Sliusarenko and Xabi Uribe-Etxebarria},
journal= {arXiv preprint arXiv:2511.01583},
year = {2025}
}