基于Grassmann流形的联邦PCA用于物联网网络异常检测
机器学习
2023-01-11 v2
摘要
在物联网（IoT）时代，由于大多数物联网设备固有的安全漏洞，全网异常检测是物联网网络监控的关键部分。主成分分析（PCA）已被提出用于将网络流量分离为对应正常与恶意行为的两个不相交子空间以进行异常检测。然而，隐私问题及设备计算资源的限制损害了PCA的实际有效性。我们提出一种联邦PCA-based Grassmann流形优化框架，协调物联网设备聚合正常网络行为的联合轮廓以进行异常检测。首先，我们引入隐私保护联邦PCA框架，同时捕获各类物联网设备流量的轮廓。然后，我们研究Grassmann流形上基于交替方向乘子法梯度的学习，以在保证快速训练且利用有限计算资源无检测延迟。在NSL-KDD数据集上的实证结果表明我们的方法优于基线方法。最后，我们展示Grassmann流形算法高度适配物联网异常检测，可大幅降低系统分析时间。据我们所知，这是首个满足物联网网络异常检测需求的联邦PCA算法。
引用
@article{arxiv.2212.12121,
title = {Federated PCA on Grassmann Manifold for Anomaly Detection in IoT Networks},
author = {Tung-Anh Nguyen and Jiayu He and Long Tan Le and Wei Bao and Nguyen H. Tran},
journal= {arXiv preprint arXiv:2212.12121},
year = {2023}
}
备注
accepted at IEEE INFOCOM 2023