面向受限IoV网络的基于同态加密的隐私保护联邦学习入侵检测
密码学与安全
2024-07-29 v1
摘要
本文旨在提出一种新框架，以解决联邦学习(FL)基于的入侵检测系统(IDS)在互联网车辆(IoV)网络中因计算资源有限而面临的数据隐私问题。具体而言，在传统FL系统中，通常假设计算节点具有足够的计算资源来处理训练任务。然而，在实际IoV系统中，车辆通常缺乏处理高负载训练任务的计算资源，这可能妨碍在IDS中部署FL的效果。将数据从车辆卸载到云端可缓解此问题，但会引入对车辆用户(VUs)的显著隐私 concerns。为解决此问题，我们首先提出一种高效框架使用同态加密来保护需要卸载到集中服务器处理的数据。此外，我们开发了一种针对FL基于系统中加密数据的挑战的有效训练算法。该算法允许集中服务器直接在量子安全加密密文上进行计算，而无需解密。这一方法不仅在VUs到集中服务器的卸载过程中保障了数据隐私，也提高了在IoV系统中利用FL进行IDS的效率。我们的仿真结果表明，我们提出的方法可以实现与无加密解决方案相近的性能，差距小于0.8%。
引用
@article{arxiv.2407.18503,
title = {Homomorphic Encryption-Enabled Federated Learning for Privacy-Preserving Intrusion Detection in Resource-Constrained IoV Networks},
author = {Bui Duc Manh and Chi-Hieu Nguyen and Dinh Thai Hoang and Diep N. Nguyen},
journal= {arXiv preprint arXiv:2407.18503},
year = {2024}
}