GowFed——一种新颖的联邦网络入侵检测系统
机器学习
2022-11-03 v2 密码学与安全
摘要
网络入侵检测系统正演变为在其环境中搜索异常的同时执行数据分析的智能系统。事实上，深度学习技术的发展为构建更复杂且有效的威胁检测模型铺平了道路。然而，在大多数边缘或物联网设备上训练这些模型可能在计算上不可行。当前方法依赖于接收来自所有参与方数据的强大集中式服务器——这违反了基本的隐私约束，并由于巨大的通信开销而显著影响响应时间和运营成本。为缓解这些问题，联邦学习作为一种有前景的方法出现，其中不同代理协作训练共享模型，而无需向他人暴露训练数据或需要计算密集的集中式基础设施。本工作提出GowFed，一种结合使用Gower相异度矩阵与联邦平均的新颖网络威胁检测系统。基于最先进的认知，我们开发了GowFed的不同变体：（1）一个原始版本；以及（2）一个配备注意力机制的版本。此外，每个变体均已使用TensorFlow Federated框架提供的面向仿真的工具进行了测试。同样，为探索联邦系统在可扩展性与性能方面的差异，我们对其进行了集中式类比开发——跨一组设计的实验/场景。总体而言，GowFed旨在成为结合联邦学习与Gower相异度矩阵以检测工业级网络威胁的首次基石。
引用
@article{arxiv.2210.16441,
title = {GowFed -- A novel Federated Network Intrusion Detection System},
author = {Aitor Belenguer and Jose A. Pascual and Javier Navaridas},
journal= {arXiv preprint arXiv:2210.16441},
year = {2022}
}
备注
16 pages, 12 figures, currently under review at Journal of Network and Computer Applications (JNCA). arXiv admin note: text overlap with arXiv:2204.12443