面向物联网设备恶意软件检测的联邦学习
密码学与安全
2022-01-17 v3 机器学习
摘要
本工作研究了联邦学习在物联网恶意软件检测方面所提供的可能性，并探讨了这一新学习范式固有的安全问题。在此背景下，提出了一个使用联邦学习检测影响物联网设备的恶意软件的框架。使用了 N-BaIoT 数据集（该数据集建模了多种真实物联网设备受恶意软件影响时的网络流量）来评估所提框架。训练并评估了能够检测 N-BaIoT 中已见和未见物联网设备所受恶意软件影响的监督与无监督联邦模型（多层感知机与自编码器）。此外，将其性能与两种传统方法进行比较：第一种让每个参与者仅使用自身数据在本地训练模型，第二种让参与者将数据共享给负责训练全局模型的中心实体。该比较表明，如联邦与集中式方法那样使用更多样且更大量的数据，对模型性能有显著的积极影响。此外，联邦模型在保护参与者隐私的同时，展现出与集中式模型相近的结果。作为额外贡献，并为了衡量联邦方法的鲁棒性，考虑了一个包含若干恶意参与者投毒联邦模型的对抗设置。大多数联邦学习算法中使用的基线模型聚合平均步骤在不同攻击下显得高度脆弱，即便仅有一个攻击者也是如此。因此，在相同攻击场景下评估了作为对策的其他模型聚合函数的性能。这些函数针对恶意参与者提供了显著改进，但要使联邦方法具备鲁棒性仍需更多努力。
引用
@article{arxiv.2104.09994,
title = {Federated Learning for Malware Detection in IoT Devices},
author = {Valerian Rey and Pedro Miguel Sánchez Sánchez and Alberto Huertas Celdrán and Gérôme Bovet and Martin Jaggi},
journal= {arXiv preprint arXiv:2104.09994},
year = {2022}
}