轻量级入侵检测的去中心化在线联邦 G 网络学习
本文提出了一个基于联邦学习的入侵检测框架,通过使用 CIC-IDS 2017 数据集,在 Internet of Vehicles (IOV) 中实现去中心化机器学习,采用 SMOTE 来处理类别不平衡,异常观测值检测来识别和移除异常观测值,以及超参数调整来优化模型性能,并通过各种性能指标评估了该框架,展示了其在侦测入侵方面的效果,并能保护敏感数据同时实现高入侵检测性能。
Nov, 2023
研究使用基于联邦学习的入侵检测系统解决物联网领域中的数据安全和隐私问题,并且实验结果表明,在使用预先训练的初始全局模型的情况下,相比随机初始化的全局模型,模型性能提高了 20% 以上(F1 得分)
Jun, 2023
网络入侵检测系统依赖于分析连接到互联网设备的网络数据包以侦测入侵者的存在,这篇论文详细研究了入侵检测的可转移性,并提出了两种技术来显著提高联邦入侵检测系统的可转移性。
Jan, 2024
这篇论文介绍了一种基于联邦学习的入侵检测系统(FL-IDS),旨在提高无人机网络(FANET)的安全性。FL-IDS 利用联邦学习解决了集中式入侵检测系统的隐私问题,通过分散式操作使得无人机能够合作训练一个全局的入侵检测模型,而不共享原始数据。实验结果表明 FL-IDS 在保护隐私的同时,具有与集中式 IDS 相媲美的性能,并通过 BTSC 方法进一步增强了性能,甚至在较低的攻击者比例下超越了集中式 IDS。与传统入侵检测方法(如 L-IDS)的比较分析为 FL-IDS 的优势提供了深入的见解。该研究为 FANET 安全领域做出了重要贡献,提出了一种注重隐私的分散式入侵检测方法,以应对无人机网络的独特挑战。
Dec, 2023
本文提出了一种基于 “分段 - 联邦学习”(Segmented-FL) 的网络入侵检测系统 (NIDS),该方法采用定期的本地模型评估和加权聚合本地模型参数的方法来显著提高性能,该方案对于需要协同处理多个不同网络环境数据、并保护个人数据隐私的组织具有重要参考意义。
Jul, 2021
该论文提出利用 NSL-KDD 数据集,结合多个学习器构建集成学习器,提高入侵检测的准确度,在雾到终端架构中实施两个级别的分类,实现入侵检测与精确预防的目的,实验结果表明该 IDS 比其他最先进的方法在该数据集上更为有效。
Jan, 2019
本研究提出了 D"IoT,一种自主学习的分布式系统,用于有效检测受到攻击的 IoT 设备。它使用新颖的自学习方法将设备分类为设备类型,并为每个设备类型建立正常通信行为模式,以便随后检测通信模式中的异常偏差。该系统应用联邦学习方法高效地聚合行为文件,并可以应对出现的新的和未知的攻击。经过系统评估和大规模实验,该系统在检测受感染的 Mirai 恶意软件等方面表现高度有效(检测率为 95.6%),并且在实际智能家居环境中没有报告虚警。
Apr, 2018
本文提出了一种联邦学习机制,结合混合卷积神经网络体系结构,并利用图形神经网络和 LSTM 层中的本地相关性和数据时间模式,以在分布式设置中灵活且高效地训练 FDIA 检测器,同时保护客户的隐私。
Jun, 2023
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