基于联邦入侵检测的系统性综述
密码学与安全
2023-08-21 v1
摘要
网络安全的发展无疑与人工智能（AI）的发展和进步相关联并交织在一起。作为实现更具网络安全性生态系统的关键工具，入侵检测系统（IDSs）近年来通过集成机器学习（ML）技术以检测隐藏在大数据中日益复杂的网络安全攻击而取得了巨大演进。然而，这些方法传统上基于集中式学习架构，其中来自终端节点的数据与数据中心共享以进行分析。近来，联邦学习（FL）在此类情境下的应用引起了极大兴趣，以提出无需共享数据的协作式入侵检测方法。由于该领域近期兴起，本工作基于 2018 至 2022 年间文献的全面调研，提出了一种完整且现代的 FL 赋能 IDS 方法分类体系。具体而言，我们的讨论包括对所提 FL 赋能 IDS 方法所采用的主要 ML 模型、数据集、聚合函数以及实现库的分析。除此之外，我们对该主题研究的现状提供了批判性视角，并基于文献分析以及我们在该领域的经验描述了主要挑战与未来方向。
引用
@article{arxiv.2308.09522,
title = {Intrusion Detection based on Federated Learning: a systematic review},
author = {Jose L. Hernandez-Ramos and Georgios Karopoulos and Efstratios Chatzoglou and Vasileios Kouliaridis and Enrique Marmol and Aurora Gonzalez-Vidal and Georgios Kambourakis},
journal= {arXiv preprint arXiv:2308.09522},
year = {2023}
}