基于预热与迁移知识的联邦学习方法用于物联网持续认证
机器学习
2022-11-11 v1 人工智能
密码学与安全
分布式、并行与集群计算
摘要
持续行为认证方法通过允许个人在访问设备时验证其独特身份，增加了一层独特的安全性。通过监控用户与移动或物联网（IoT）设备交互时的行为，维持会话真实性现已可行，使凭证窃取和会话劫持失效。这种技术得益于人工智能和机器学习（ML）能力的融合。大多数文献侧重于通过将用户数据传输到外部服务器来为用户训练机器学习，这使用户私有数据面临暴露威胁。在本文中，我们提出一种新颖的联邦学习（FL）方法，保护用户数据匿名性并维护其数据安全。我们提出一种预热方法，可显著提升准确率。此外，我们利用基于特征提取的迁移学习技术来提升模型性能。基于MNIST、FEMNIST、CIFAR-10和UMDAA-02-FD四个数据集的广泛实验表明，在保持用户隐私和数据安全的同时，用户认证准确率显著提升。
引用
@article{arxiv.2211.05662,
title = {Warmup and Transfer Knowledge-Based Federated Learning Approach for IoT Continuous Authentication},
author = {Mohamad Wazzeh and Hakima Ould-Slimane and Chamseddine Talhi and Azzam Mourad and Mohsen Guizani},
journal= {arXiv preprint arXiv:2211.05662},
year = {2022}
}