面向物联网网络的联邦深度学习入侵检测
密码学与安全
2023-08-07 v3 机器学习
摘要
物联网(IoT)技术的激增与不断演变的攻击向量使网络安全风险急剧上升。在分布式物联网系统中实现基于人工智能的入侵检测系统(IDSs)的常用方法是集中式方式。然而,这种方法可能侵犯数据隐私并限制IDS的可扩展性。因此,物联网生态系统中的入侵检测解决方案需要向去中心化方向发展。联邦学习(FL)因能够在保持数据机密性与局部性的同时进行协作学习,近年来引起了极大关注。尽管如此,大多数面向物联网系统的基于FL的IDS是在不切实际的数据分布条件下设计的。为此,我们设计了一个具有现实代表性的实验并评估了基于FL的IDS的性能。在实验中,我们依托于真实物联网网络流量数据集TON-IoT,将每个IP地址关联至单个FL客户端。此外,我们探索了预训练并研究了多种聚合方法以缓解数据异构性的影响。最后,我们将所提方法与集中式方案进行了基准对比。对比表明,当以分布式方式训练时,数据的异构性对模型性能有显著的负面影响。然而,在预训练的初始全局FL模型情况下,我们展示了相较于随机初始化的全局模型,F1分数提升超过20%。
引用
@article{arxiv.2306.02715,
title = {Federated Deep Learning for Intrusion Detection in IoT Networks},
author = {Othmane Belarbi and Theodoros Spyridopoulos and Eirini Anthi and Ioannis Mavromatis and Pietro Carnelli and Aftab Khan},
journal= {arXiv preprint arXiv:2306.02715},
year = {2023}
}
备注
6 pages, 4 figues, 3 tables. To be presented at the IEEE Global Communications Conference in December 2023