面向物联网网络的联邦学习驱动的网络安全框架
密码学与安全
2025-02-18 v1 机器学习
网络与互联网体系结构
摘要
物联网 (IoT) 生态系统的快速扩张已Transforming 各个领域，但也引入了显著的网络安全挑战。传统的集中式安全方法往往难以在物联网网络中平衡隐私保护和实时威胁检测。为此，本研究提出了一种专为物联网环境设计的联邦学习驱动网络安全框架。该框架通过在边缘设备上本地训练模型来实现去中心化的数据处理，确保数据隐私。使用同态加密实现对这些本地训练模型的安全聚合，允许在不暴露敏感信息的情况下进行协作学习。该框架利用循环神经网络 (RNN) 进行异常检测，针对资源受限的物联网网络进行优化。实验结果表明，该系统能够有效检测复杂的网络威胁，包括分布式拒绝服务 (DDoS) 攻击，准确率超过 98%。此外，它通过减少资源消耗约 20%，提高了能源效率。该研究解决了物联网网络安全中的关键空白，通过将联邦学习与先进的威胁检测技术相集成。该框架提供了一个可扩展且具有隐私保护能力的解决方案，可适用于各种物联网应用。未来工作将探索集成区块链以实现模型聚合的透明性，以及量子抗密码学方法以进一步提升不断演变的技术环境中的安全性。
引用
@article{arxiv.2502.10599,
title = {Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities},
author = {Milad Rahmati},
journal= {arXiv preprint arXiv:2502.10599},
year = {2025}
}