Sep, 2023

XFedHunter：一种可解释的软件定义网络高级持久威胁检测联邦学习框架

PDF
TL;DR提出了一个可解释的联邦学习框架，用于在软件定义网络中检测高级持续性威胁，并利用许多训练合作者的本地网络安全知识，使用图神经网络和深度学习模型有效地揭示网络系统中的恶意事件。实验结果表明，该框架可以提高基于机器学习的网络安全系统的可信度和责任，同时保护隐私。
advanced persistent threatmachine learning predictionfederated learningxfedhuntersoftware-defined networking
发现论文，激发创造
  • 适应性入侵检测系统的分割联邦学习

    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

  • 多域少样本知识重装，针对高级持续性威胁的上下文感知防御

    本文提出了一种针对 APT 的上下文感知防御方案 FMKR，通过元学习在不同的网络领域生成多个小型任务，将威胁情报和本地实体融合成元学习的支持 / 查询集，以识别可能的攻击阶段，同时提出了基于微调的部署机制在最小化防御成本的同时将学习的知识转移给学生模型，与多模型替换策略相比，FMKR 能更快地响应攻击行为，且调度成本更低，实验结果表明该方案可以提高对工业物联网的防御满意度。

    Jun, 2023

  • TrustFed：一种具有恶意攻击抵抗能力的可靠联邦学习框架

    提出了一种层次化审计的联邦学习（HiAudit-FL）框架，使用模型审计和参数审计两个阶段来增强学习过程的可靠性和安全性，并通过基于扩散模型的 AI-Enabled 审计选择策略（ASS）和深度强化学习（DRL）框架设计了高效的 DRL-ASS 算法来识别和处理潜在的恶意用户。

    Dec, 2023

  • 联邦学习的威胁：综述

    本文提供了一种简洁的介绍联邦学习的概念，并使用一个唯一的分类法来涵盖针对联邦学习的威胁模型和两个主要的攻击方法：1) 污染攻击和 2) 推理攻击，探讨了向更强大的隐私保护方向发展的有前途的未来研究方向.

    Mar, 2020

  • 推进 6G 中的联邦学习：基于图形分析的可信架构

    利用分布式账本技术和图神经网络构建的受信任的体系结构，解决了 6G 环境下联邦学习的挑战，包括隐私保护和安全问题，并验证了其在异常模型检测和全局模型准确性方面相对于相关基准的性能提升。

    Sep, 2023

  • 透明和隐私：可解释人工智能和联邦学习在金融欺诈检测中的作用

    研究介绍了使用联邦学习和可解释的人工智能的新方法来解决金融机构在欺诈检测方面面临的挑战，该方法能够在保护数据隐私的同时提高检测系统的性能，并具备透明性和可解释性。

    Dec, 2023

  • 5G 网络安全联邦学习框架

    本文提出了一种基于区块链的安全联邦学习框架，通过构建智能合约，自动执行防御策略，识别恶意攻击参与者，同时采用本地差分私有化技术，有效地防止中毒和成员推断攻击。

    May, 2020

  • 联邦学习攻击和防御：综述

    本文系统总结了目前联邦学习系统中存在的各种攻击和针对性防御，包括学习和预测阶段中对不同角色的攻击，并分析了各种隐私和安全层面的防御机制，旨在为建立更加安全、稳定的联邦学习系统提供参考。

    Nov, 2022

  • 联邦学习中的隐私与鲁棒性：攻击与防御

    在这篇综述性论文中，作者重点介绍基于联邦学习的系统在应对恶意攻击、保障隐私方面所面临的问题，特别关注如何提高系统鲁棒性和隐私保护措施。

    Dec, 2020

  • 5G 及其后续 V2X 网络中的零日攻击检测的联邦学习

    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