FedPot：面向智能电网的质量感知、协作且有激励机制的基于诱饯的检测器
网络与互联网体系结构
2024-07-04 v1
摘要
诱饯技术为工业互联网物联网 (IIoT) 提供了有效的防御策略，尤其通过增强高级计量设施 (AMI) 的网络入侵检测系统，提升其安全性。要实现此安全范式，必须激励小规模电力供应商 (SPS) 实施诱饯并与传统电力零售商 (TPR) 协作数据共享。为此，TPR 通过实物奖励激励数据共享。然而，由于缺乏对 SPS 保密数据的访问，TPR 难以验证共享数据，可能泄露 SPS 的隐私信息，导致因海量诱饯日志而增加数据共享成本。这些挑战可通过联邦学习 (FL) 技术解决，该技术是一种分布式机器学习 (ML) 技术，允许在不数据迁移的情况下进行模型训练。然而，传统 FL 算法缺乏针对AMI网络安全防御模型和奖励系统所需的功能。本文提出两个解决方案：首先，一种集成新型数据质量度量的增强且高效的FedAvg算法；其次，FedPot——在FL架构下开发的具有公平激励机制的有效安全模型。因此，SPS仅需通过高效测量本地数据质量后，分享其学习到的ML模型，而TPR可验证上传的模型并通过奖励对每个参与者的贡献进行公平补偿。来自真实微网网络日志数据集的仿真结果表明，所提出的解决方案在提升安全模型和保证公平奖励分配方面超越了当前最先进的技术。
引用
@article{arxiv.2407.02845,
title = {FedPot: A Quality-Aware Collaborative and Incentivized Honeypot-Based Detector for Smart Grid Networks},
author = {Abdullatif Albaseer and Nima Abdi and Mohamed Abdallah and Marwa Qaraqe and Saif Alkuwari},
journal= {arXiv preprint arXiv:2407.02845},
year = {2024}
}
备注
Accepted for IEEE TNSM