StatAvg：缓解入侵检测系统中联邦学习数据异构性的方法
密码学与安全
2024-05-24 v1 人工智能
分布式、并行与集群计算
机器学习
摘要
联邦学习（Federated Learning, FL）是一种去中心化学习技术，使参与设备能够协同构建共享的机器学习（Machine Learning, ML）或深度学习（Deep Learning, DL）模型，而无需向第三方泄露其原始数据。由于其隐私保护特性，FL 在网络安全领域构建入侵检测系统（Intrusion Detection Systems, IDS）方面引起了广泛关注。然而，跨参与域和实体的数据异构性为基于 FL 的 IDS 的可靠实现带来了重大挑战。在本文中，我们提出了一种名为统计平均（Statistical Averaging, StatAvg）的有效方法，以缓解 FL 中本地客户端数据间非独立同分布（non-iid）的特征。具体而言，StatAvg 允许 FL 客户端将其各自的数据统计信息与服务器共享，随后服务器聚合这些信息以生成全局统计信息。后者被共享给客户端并用于通用数据归一化。值得一提的是，StatAvg 可与任何 FL 聚合策略无缝集成，因为它发生在实际的 FL 训练过程之前。所提出的方法使用网络和主机人工智能（Artificial Intelligence, AI）驱动的 IDS 数据集与基线方法进行了评估。实验结果表明，与基线方法相比，StatAvg 在缓解 FL 客户端间非独立同分布特征分布方面具有有效性。
引用
@article{arxiv.2405.13062,
title = {StatAvg: Mitigating Data Heterogeneity in Federated Learning for Intrusion Detection Systems},
author = {Pavlos S. Bouzinis and Panagiotis Radoglou-Grammatikis and Ioannis Makris and Thomas Lagkas and Vasileios Argyriou and Georgios Th. Papadopoulos and Panagiotis Sarigiannidis and George K. Karagiannidis},
journal= {arXiv preprint arXiv:2405.13062},
year = {2024}
}
备注
10 pages, 8 figures