基于Grassmann流形的IoT异常检测的联邦主成分分析
机器学习
2024-07-11 v1 人工智能
密码学与安全
分布式、并行与集群计算
摘要
随着物联网 (IoT) 的普及以及设备互联互通性的提升, 网络安全面临着显著挑战, 尤其是来自异常活动的威胁。虽然传统基于机器学习的入侵检测系统 (ML-IDS) 有效地使用监督学习方法, 但存在标签数据要求和高维度挑战。最近的无监督ML-IDS方法如AutoEncoder和生成对抗网络 (GAN) 提供了替代方案, 但在资源受限的IoT设备上部署和可解释性方面存在挑战。为了解决这些问题, 本文提出一种新颖的联邦无监督异常检测框架 FedPCA, 其利用主成分分析 (PCA) 和交替方向乘子法 (ADMM) 来学习分布式非独立同分布数据集的公共表示。基于FedPCA框架, 本文提出两种算法, FEDPE在欧几里得空间中, FEDPG在Grassmann流形上。我们的方法使设备级别的实时威胁检测和缓解成为可能, 在确保隐私的同时增强了网络韧性。此外, 本文提出的算法伴随理论收敛速率, 即使在子采样方案下也亦如此, 这一结果为人所所知。在UNSW-NB15 和 TON-IoT 数据集上的实验结果表明, 本文提出的方法在异常检测性能上与非线性基线相当, 同时在通信和存储效率方面实现显著提升, 凸显了其在保障IoT网络安全方面的潜力。
引用
@article{arxiv.2407.07421,
title = {Federated PCA on Grassmann Manifold for IoT Anomaly Detection},
author = {Tung-Anh Nguyen and Long Tan Le and Tuan Dung Nguyen and Wei Bao and Suranga Seneviratne and Choong Seon Hong and Nguyen H. Tran},
journal= {arXiv preprint arXiv:2407.07421},
year = {2024}
}
备注
Accepted for publication at IEEE/ACM Transactions on Networking