面向物联网安全入侵检测的联邦学习：一种混合集成方法
密码学与安全
2021-06-30 v1 人工智能
机器学习
摘要
物联网（IoT）在智慧城市、医疗、供应链和交通等多个领域的关键作用使其成为恶意攻击的目标。该领域以往工作聚焦于集中式入侵检测系统（IDS），假设存在中央实体来执行数据分析并识别威胁。然而，此类IDS并非总是可行，主要因为数据分散于多个来源，且汇聚至中心节点成本高昂。此外，早期工作主要致力于提升真正率（TPR）而忽视了假正率（FPR），而后者对于避免系统不必要的停机同样至关重要。本文首先提出一种基于混合集成模型的IDS架构，称为PHEC，其相比SOTA架构具有更优性能。随后我们将该模型适配至联邦学习框架，进行本地训练且仅聚合模型参数。接着，我们在集中式与联邦式设定下提出噪声容忍PHEC以解决标签噪声问题。所提思路采用基于加权凸替代损失函数的分类器，并利用KNN分类器对噪声数据的天然鲁棒性。在来自各类安全攻击的四个基准数据集上的实验结果表明，我们的模型在含噪与干净数据上均能在保持低FPR的同时实现高TPR。进一步表明，混合集成模型在联邦设定下的性能接近集中式设定。
引用
@article{arxiv.2106.15349,
title = {Federated Learning for Intrusion Detection in IoT Security: A Hybrid Ensemble Approach},
author = {Sayan Chatterjee and Manjesh K. Hanawal},
journal= {arXiv preprint arXiv:2106.15349},
year = {2021}
}
备注
11 pages, 3 figures