基于人工智能与同态加密的区块链物联网系统隐私保护网络攻击检测
密码学与安全
2024-12-19 v1
摘要
本文提出了一种新颖的隐私保护网络攻击检测框架，用于基于区块链的物联网（IoT）系统。在我们的方法中，人工智能驱动的检测模块被策略性地部署在区块链节点上，以识别实时攻击，确保高精度和最小延迟。为了实现这种效率，模型训练由云服务提供商（CSP）进行。因此，区块链节点将其数据发送给CSP进行训练，但为了保护隐私，数据在传输前使用同态加密（HE）进行加密。这种加密方法允许CSP直接对加密数据进行计算，而无需解密，从而在整个学习过程中保护数据隐私。为了处理大量加密数据，我们引入了一种创新的打包算法，采用单指令多数据（SIMD）方式，实现了对HE加密数据的高效训练。在此基础上，我们开发了一种针对加密数据优化的新型深度神经网络训练算法。我们进一步提出了一种基于FedAvg算法的隐私保护分布式学习方法，该方法将训练并行化到多个工作节点上，显著提高了计算时间。完成后，CSP将训练好的模型分发给区块链节点，使它们能够执行实时的隐私保护检测。我们的仿真结果表明，所提出的方法不仅可以减少训练时间，而且检测精度与未加密方法几乎相同，差距约为0.01%。此外，我们在各种区块链共识算法和硬件配置上的实际实现表明，所提出的框架也能有效地适应实际系统。
引用
@article{arxiv.2412.13522,
title = {Privacy-Preserving Cyberattack Detection in Blockchain-Based IoT Systems Using AI and Homomorphic Encryption},
author = {Bui Duc Manh and Chi-Hieu Nguyen and Dinh Thai Hoang and Diep N. Nguyen and Ming Zeng and Quoc-Viet Pham},
journal= {arXiv preprint arXiv:2412.13522},
year = {2024}
}