FedSA：基于联邦模拟退火在协作环境中加速入侵检测
密码学与安全
2022-05-25 v1 机器学习
摘要
快速识别新的网络攻击模式对于提升网络安全至关重要。然而，在异构网络中识别正在进行的攻击是一项非平凡的任务。联邦学习作为入侵检测系统（IDS）协作训练的解决方案而出现。基于联邦学习的 IDS 使用联邦参与者提供的本地机器学习模型训练全局模型，而无需共享本地数据。然而，优化挑战是联邦学习固有的。本文提出联邦模拟退火（FedSA）元启发式方法，用于为联邦学习的每一轮聚合选择超参数和参与者子集。FedSA 优化与全局模型收敛相关的超参数。该方案减少了聚合轮数并加速了收敛。因此，FedSA 加速了从本地模型中提取学习的过程，需要更少的 IDS 更新。方案评估表明，FedSA 全局模型在不到十轮通信内收敛。与常规聚合方法相比，该方案在攻击检测中达到约 97% 准确率所需的聚合轮数最多减少 50%。
引用
@article{arxiv.2205.11519,
title = {FedSA: Accelerating Intrusion Detection in Collaborative Environments with Federated Simulated Annealing},
author = {Helio N. Cunha Neto and Ivana Dusparic and Diogo M. F. Mattos and Natalia C. Fernandes},
journal= {arXiv preprint arXiv:2205.11519},
year = {2022}
}