面向异构群组隐私物联网的联邦入侵检测
机器学习
2021-01-26 v1 分布式、并行与集群计算
网络与互联网体系结构
摘要
物联网（IoT）设备日益普及，并影响着医疗与交通等诸多应用领域。这些设备用于传感器监测、实时控制等现实应用。本文研究基于差分隐私（DP）神经网络（NN）的网络入侵检测系统（NIDS），以检测此类 IoT 设备网络上的入侵攻击。该领域现有的 NN 训练方案要么忽略隐私考量，要么假定所有用户的隐私需求是同质的。我们表明，当客户端的隐私需求异构时，现有的差分隐私随机方法在非相同数据分布的客户端上性能下降。我们定义了基于群组的 -DP 框架，建模了具有非相同客户端与异构隐私需求的 IoT 设备群组的更实际设定。我们提出了两种新颖的基于持续学习的 DP 训练方法，旨在上述设定中提升模型性能。据我们所知，我们的系统是首个采用持续学习方法处理客户端隐私需求异构性的系统。我们在真实数据集上评估了该方法，并显示我们的技术优于基线。我们还表明我们的方法对超参数变化具有鲁棒性。最后，我们显示我们提出的方法之一可轻松适应客户端隐私需求的事后松弛。
引用
@article{arxiv.2101.09878,
title = {Federated Intrusion Detection for IoT with Heterogeneous Cohort Privacy},
author = {Ajesh Koyatan Chathoth and Abhyuday Jagannatha and Stephen Lee},
journal= {arXiv preprint arXiv:2101.09878},
year = {2021}
}