面向入侵检测系统的联邦学习：概念、挑战与未来方向
密码学与安全
2021-06-18 v1 机器学习
摘要
互联网与智能设备的快速发展引发网络流量激增，使其基础设施更为复杂且异构。手机、可穿戴设备与自动驾驶汽车的主导性使用正是每日产生海量数据的分布式网络之例。这些设备的算力亦稳步提升，从而产生了本地传输信息、存储数据并将网络计算推向边缘设备的需求。入侵检测系统在此类设备的安全与隐私保障中扮演重要角色。机器学习与深度学习结合入侵检测系统因其高分类精度而获得巨大关注。然而，由于需将数据存储并传送至中心服务器，隐私与安全方面可能受损。相反，联邦学习(FL)作为一种隐私保护的去中心化学习技术恰如其分，其不传输数据，而是在本地训练模型并将参数传送至中心服务器。本文旨在对 FL 在入侵检测系统中的应用进行广泛而详尽的综述。为确立 FL 的必要性，讨论了各类 IDS、相关 ML 方法及其伴随问题。本文详细概述了 FL 在异常检测各方面的实现。亦辨识了 FL 实现的关联挑战，从而为未来研究方向提供思路。本文最后给出了与所辨识挑战相关的可行解，作为基于 FL 的入侵检测系统实现的基线，以期为后续研究提供参考。
引用
@article{arxiv.2106.09527,
title = {Federated Learning for Intrusion Detection System: Concepts, Challenges and Future Directions},
author = {Shaashwat Agrawal and Sagnik Sarkar and Ons Aouedi and Gokul Yenduri and Kandaraj Piamrat and Sweta Bhattacharya and Praveen Kumar Reddy Maddikunta and Thippa Reddy Gadekallu},
journal= {arXiv preprint arXiv:2106.09527},
year = {2021}
}
备注
Submitted to JNCA, Elsevier