通过联邦学习进行异常检测
本文提出了一种使用集成学习做到在联邦学习中抵抗恶意攻击的方法,它使用多个模型进行多数表决确定预测结果,测试表明该方法可以在受到最多 20 个恶意客户端攻击时在 MNIST 数据集上获得 88%的可靠准确度。
Feb, 2021
本文研究联邦学习在物联网恶意软件检测中的应用及其安全问题。其中提出了一种使用联邦学习检测影响 IoT 设备的恶意软件的框架,并使用 N-BaIoT 数据集进行评估。研究表明,与传统方法相比,联邦学习方法可以显著提高模型性能,并且在保护用户隐私的前提下,其结果与集中式方法相似。此外,针对恶意攻击提出的其他模型聚合函数也可以提供显著改进,但需要进一步研究来提高联邦学习方法的鲁棒性。
Apr, 2021
本文提出了一个新的框架,通过使用一个强大的检测模型,中央服务器可以学习来检测和移除恶意模型更新,从而实现有针对性的防御,以确保对拜占庭攻击和有针对性的模型毒化攻击具有鲁棒性的联合学习。
Feb, 2020
本研究提出了一种新颖的无监督联邦学习方法,用于在车辆环境中识别潜在的不正常行为。该方法利用公共云服务的计算能力进行模型聚合,并作为不正常行为事件的集中存储库,以实现跨车辆学习和集体防御策略。通过在联邦环境中使用 Gaussian Mixture Models(GMM)和 Variational Autoencoders(VAE)以及 Restricted Boltzmann Machines(RBM)进行预训练和模型聚合,该方法在性能上超过了基于监督技术和人工分割的近期提案(超过 80%)。
May, 2024
本研究提出了一种基于联邦学习的时序异常检测框架,采用分布式的共享变分自编码器(VAE)结合卷积门循环单元(ConvGRU)模型,对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明,该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。
Aug, 2021
本文探讨了在分布式环境下进行联邦持续学习的问题,通过利用共享表示和利用非特定任务的经验进行间接知识转移,提出采用遮蔽自编码器进行分布估计,以在客户端之间实现选择性知识转移。
Jun, 2023
利用深度自编码器方法检测基于良性网络流量模式的攻击,通过联邦学习训练侵入检测系统,同时保护 CAVs 的隐私并减少通信开销。在最新的网络流量数据集上进行的深入实验表明,该系统实现了高检测率,并最小化误报率和检测延迟。
Jul, 2024
该论文提出了一种基于垂直联合学习的算法 FadMan,用于多个属性网络和不带属性网络上的异常检测,涉及联邦异常检测、公共异常子图和私有异常子图对齐等方面,实验结果表明,FadMan 在准确率方面比竞争方法至少高 12%。
May, 2022