面向异构网络的入侵检测泛化：一种堆叠无监督联邦学习方法
密码学与安全
2023-01-20 v4
摘要
不断演进的数字化转型对我们的社会提出了新的要求。依赖于网络领域以及难以实现安全-by-design 的方面构成了当今的挑战。因此，以数据为中心和机器学习的方法作为保护大型网络的可行方案而出现。尽管在网络完全领域，基于 ML 的解决方案在跨不同上下文泛化能力方面面临挑战。换言之，基于特定网络数据的解决方案通常在其他网络上表现不尽如人意。本文描述了堆叠无监督联邦学习（FL）方法，用于在跨孤岛配置下泛化基于流的网络安全入侵检测系统（NIDS）。我们考察的所提方法包含深度自编码器与能量流分类器结合的集成学习任务。我们的方法优于传统局部学习和朴素交叉评估（在一个上下文训练并在另一网络数据上测试）。值得注意的是，所提方法在非独立同分布数据孤岛情况下表现出良好性能。结合无监督学习中集成架构的信息化特征，我们建议所提基于 FL 的 NIDS 构成了异构网络间泛化的可行方法。据我们所知，我们的方案是首个成功将无监督 FL 应用于基于流数据的网络入侵检测泛化问题的方案。
引用
@article{arxiv.2209.00721,
title = {Generalizing intrusion detection for heterogeneous networks: A stacked-unsupervised federated learning approach},
author = {Gustavo de Carvalho Bertoli and Lourenço Alves Pereira Junior and Aldri Luiz dos Santos and Osamu Saotome},
journal= {arXiv preprint arXiv:2209.00721},
year = {2023}
}
备注
Preprint (Under revision), 35 pages. Added repository link, see https://github.com/c2dc/fl-unsup-nids