FedMADE: 基于动态聚合方法的 IoT 网络入侵检测鲁棒联邦学习
密码学与安全
2024-08-15 v1 网络与互联网体系结构
摘要
IoT 设备在多个领域的快速普及引发了严重的网络安全问题。这促使了基于机器学习的入侵检测系统（IDS）用于网络攻击分类的研究持续进行。传统机器学习模型需要从 IoT 设备传输数据到集中式服务器进行流量分析，引发了严重的隐私问题。为解决此问题，研究者研究了联邦学习（FL）基础的 IDS，在保持 IoT 设备数据本地化的同时训练模型。然而，源于设备不同漏洞和攻击向量复杂性的数据异质性，对 FL 模型的有效性构成了重大挑战。虽然当前研究聚焦于在 FL 框架内适配各种机器学习模型，但它们未能有效解决设备间攻击类别的不平衡问题，这显著降低了少数攻击的分类准确率。为克服这一挑战，我们引入了 FedMADE，一种新颖的动态聚合方法，它根据设备的流量模式对设备进行聚类，并根据其对整体性能的贡献来聚合局部模型。我们将 FedMADE 与其他针对非 IID 数据设计的 FL 算法进行了对比，观察到少数攻击分类准确率提升了高达 71.07%。我们进一步证明 FedMADE 对投毒攻击具有鲁棒性，且与 FedAvg 相比，每次通信轮次仅产生 4.7%（5.03 秒）的延迟开销，而不会增加 IoT 设备的计算负载。
引用
@article{arxiv.2408.07152,
title = {FedMADE: Robust Federated Learning for Intrusion Detection in IoT Networks Using a Dynamic Aggregation Method},
author = {Shihua Sun and Pragya Sharma and Kenechukwu Nwodo and Angelos Stavrou and Haining Wang},
journal= {arXiv preprint arXiv:2408.07152},
year = {2024}
}
备注
To appear in the Information Security Conference (ISC) 2024