基于变分自编码器和高斯混合模型的联邦学习异常行为检测
机器学习
2024-05-17 v1 分布式、并行与集群计算
摘要
联邦学习已成为一种在保护数据源隐私的同时协作训练机器学习模型的有吸引力的方法。然而，现有的大多数联邦学习方法基于监督技术，这可能需要资源密集型活动和人工干预来获取标记数据集。此外，在网络攻击检测的范围内，此类技术无法识别先前未知的威胁。为此，本文提出了一种新颖的无监督联邦学习方法，用于识别车辆环境中的潜在异常行为。我们利用公共云服务的计算能力进行模型聚合，并作为异常事件的中枢存储库，实现跨车辆学习和集体防御策略。我们的解决方案在联邦环境中将高斯混合模型和变分自编码器集成到VeReMi数据集上，其中每辆车仅用自己的数据进行训练。此外，我们使用受限玻尔兹曼机进行预训练，并使用Fedplus作为聚合函数以增强模型收敛性。与最近通常基于监督技术和VeReMi数据集人工划分的方案相比，我们的方法提供了更好的性能（超过80%）。
引用
@article{arxiv.2405.09903,
title = {Federated Learning for Misbehaviour Detection with Variational Autoencoders and Gaussian Mixture Models},
author = {Enrique Mármol Campos and Aurora González Vidal and José Luis Hernández Ramos and Antonio Skarmeta},
journal= {arXiv preprint arXiv:2405.09903},
year = {2024}
}
备注
13 pages, 11 figures, 3 tables