FedMUP：面向云环境的基于联邦学习驱动的恶意用户预测模型
密码学与安全
2024-12-20 v1
摘要
云计算正以快速速度发展。随之而来的重要问题是数据安全，因为恶意用户可能获取对敏感数据的未授权访问，进而被滥用。这引发了针对数据安全关键问题以及主动恶意用户预测的警报。本文提出了一种面向云环境的数据安全分发的基于联邦学习驱动的恶意用户预测模型（FedMUP）。该方法首先分析用户行为，以获取多个安全风险参数。随后，它采用联邦学习驱动的恶意用户预测方法，主动揭示可疑用户。FedMUP 在本地数据集上训练本地模型，并传输计算出的值而非实际原始数据，以获得基于对各种本地版本进行平均后的全局模型。该更新后的模型将在固定间隔内与用户共享，以进行重新训练，以获取更高效、更精确地能够预测恶意用户的模型。对所提出模型的大量实验工作与与当前最先进方法的比较表明了该工作的有效性。在关键性能指标方面，如恶意用户预测准确率、精确率、召回率和 F1 分数，分别提升了最高可达 14.32%、17.88%、14.32% 和 18.35%。
引用
@article{arxiv.2412.14495,
title = {FedMUP: Federated Learning driven Malicious User Prediction Model for Secure Data Distribution in Cloud Environments},
author = {Kishu Gupta and Deepika Saxena and Rishabh Gupta and Jatinder Kumar and Ashutosh Kumar Singh},
journal= {arXiv preprint arXiv:2412.14495},
year = {2024}
}
备注
33 pages, 9 figures