面向标签翻转攻击下基于执行时间的设备模型识别的鲁棒联邦学习
密码学与安全
2023-01-06 v1 机器学习
摘要
近年来，受物联网（IoT）和5G等技术进步的推动，计算设备部署呈现爆发式增长，导致全球网络安全风险与威胁不断上升。其中，设备欺骗与仿冒网络攻击因其影响大且通常所需复杂度低而尤为突出。为解决此问题，出现了若干基于行为指纹结合机器学习/深度学习（ML/DL）技术来识别设备型号与类型的方案。然而，这些方案不适用于必须保障数据隐私与保护的场景，因为它们需要数据集中化处理。在此背景下，联邦学习（FL）等较新方法尚未被充分探索，尤其在场景中存在恶意客户端时。本文分析并比较了集中式DL模型与FL模型在使用基于执行时间的事件进行设备型号识别时的性能。出于实验目的，我们收集并发布了一个包含属于四种不同型号的55个树莓派（Raspberry Pi）执行时间特征的数据集。使用该数据集，所提方案在集中式与联邦式两种设置下均达到0.9999准确率，在保护数据隐私的同时未出现性能下降。随后，我们评估了联邦模型训练期间标签翻转攻击的影响，并使用多种聚合机制作为对策。Zeno与坐标中位数聚合表现出最佳性能，但当完全恶意客户端（所有训练样本被投毒）比例超过50%时，其性能大幅下降。
引用
@article{arxiv.2111.14434,
title = {Robust Federated Learning for execution time-based device model identification under label-flipping attack},
author = {Pedro Miguel Sánchez Sánchez and Alberto Huertas Celdrán and José Rafael Buendía Rubio and Gérôme Bovet and Gregorio Martínez Pérez},
journal= {arXiv preprint arXiv:2111.14434},
year = {2023}
}