用于隐私保护入侵检测的联邦模仿学习
网络与互联网体系结构
2020-12-15 v1
摘要
物联网（IoT）设备由于其隐私和安全组件的局限性而易受攻击。这些攻击从利用后门到破坏设备的通信网络不等。入侵检测系统（IDS）在确保IoT设备的信息隐私和安全以抵御这些攻击方面发挥着重要作用。近来，基于深度学习的IDS技术因其高分类准确率而变得越来越突出。然而，传统的深度学习技术由于将用户数据传输到中心化服务器而危及用户隐私。联邦学习（FL）是一种流行的隐私保护去中心化学习方法。FL支持在边缘设备本地训练模型并将本地模型而非敏感数据传输到中心化服务器。然而，FL可能遭受逆向工程机器学习攻击，这些攻击可从模型中学习有关用户数据的信息。为克服逆向工程问题，模仿学习是另一种保护基于机器学习的IDS隐私的方法。在模仿学习中，学生模型使用公共数据集进行训练，而该公共数据集由使用敏感用户数据训练的教师模型进行标注。在这项工作中，我们提出了一种结合FL和模仿学习优势的新方法，即联邦模仿学习，以创建分布式IDS，同时最小化危及用户隐私的风险，并使用NSL-KDD数据集将其性能与其他基于机器学习的IDS技术进行基准比较。我们的结果表明，使用联邦模仿学习可实现98.11%的检测准确率。
引用
@article{arxiv.2012.06974,
title = {Federated Mimic Learning for Privacy Preserving Intrusion Detection},
author = {Noor Ali Al-Athba Al-Marri and Bekir Sait Ciftler and Mohamed Abdallah},
journal= {arXiv preprint arXiv:2012.06974},
year = {2020}
}
备注
6 pages, 6 figures, accepted to Blackseacom 2020