面向交通物联网的微调联邦学习入侵检测系统
机器学习
2025-02-11 v1
摘要
机器学习（ML）和设备端计算的快速发展，通过联网自动驾驶汽车（CAV）和智能交通系统（ITS）的发展，彻底改变了包括交通运输在内的各行各业。这些技术改善了交通管理和车辆安全，但也带来了显著的安全和隐私问题，如网络攻击和数据泄露。传统的入侵检测系统（IDS）在检测现代威胁方面日益不足，导致基于ML的IDS解决方案被采用。联邦学习（FL）已成为一种有前景的方法，能够在分布式边缘设备上分散训练IDS模型，而无需共享敏感数据。然而，在CAV网络中部署基于FL的IDS带来了独特的挑战，包括边缘设备上有限的计算和内存资源、来自导航和安全系统等关键应用的竞争需求，以及跨不同硬件和连接条件进行扩展的需求。为了解决这些问题，我们提出了一种混合服务器-边缘FL框架，该框架将预训练卸载到中央服务器，同时在边缘设备上进行轻量级微调。这种方法将内存使用量减少了高达42%，训练时间缩短了高达75%，并实现了高达99.2%的竞争性IDS准确率。可扩展性分析进一步表明，随着客户端数量的增加，性能下降极小，突显了该框架在CAV网络和其他物联网应用中的可行性。
引用
@article{arxiv.2502.06099,
title = {Fine-Tuning Federated Learning-Based Intrusion Detection Systems for Transportation IoT},
author = {Robert Akinie and Nana Kankam Brym Gyimah and Mansi Bhavsar and John Kelly},
journal= {arXiv preprint arXiv:2502.06099},
year = {2025}
}
备注
7 pages, 4 figures. To be published in IEEE SouthEastCon 2025