基于联邦学习与BERT的软件定义VANET中隐私保护入侵检测
密码学与安全
2024-01-18 v2
摘要
缺乏稳健的安全协议使得VANET（车载自组织网络）网络因危及乘客和道路安全而容易受到网络威胁。入侵检测系统（IDS）被广泛用于检测网络安全威胁。由于车辆在道路上的高移动性和多样化的环境，VANET形成了不断变化的网络拓扑，缺乏隐私和安全性，且带宽效率有限。VANET中缺乏隐私保护措施、端到端加密方法和本地数据处理系统，也带来了许多隐私和安全难题。因此，评估一种新颖的实时处理IDS方法能否用于这一新兴技术至关重要。本研究提出了一种利用联邦学习（FL）能力结合BERT模型进行序列分类（FL-BERT）的入侵检测新方法。数据隐私的重要性得到了充分认识。根据FL方法，每个客户端拥有自己的本地模型和数据集。它们在本地训练模型，然后将模型权重发送到服务器。聚合后，服务器汇总所有客户端的权重以更新全局模型。聚合后，全局模型的权重与客户端共享。这种做法保证了敏感原始数据安全地存储在单个客户端设备上，有效保护了隐私。在执行联邦学习过程后，我们使用独立的测试数据集评估了模型的性能。FL-BERT技术取得了有希望的结果，为该特定研究领域的进一步探索开辟了途径。我们通过比较现有研究工作得出了方法的结果，发现FL-BERT在隐私和安全问题上更为有效。我们的结果表明，FL-BERT是一种有前景的增强攻击检测技术。
引用
@article{arxiv.2401.07343,
title = {Privacy-Preserving Intrusion Detection in Software-defined VANET using Federated Learning with BERT},
author = {Shakil Ibne Ahsan and Phil Legg and S M Iftekharul Alam},
journal= {arXiv preprint arXiv:2401.07343},
year = {2024}
}