基于联邦学习和卷积神经网络的入侵检测方法
论文提出了联邦学习在入侵检测方面的应用,将联邦学习与卷积神经网络相结合。在确保数据安全情况下,联合多方进行训练,同时还达到了扩充数据量的目的。
数据预处理:将数据集中符号数据数值化,然后进行归一化,是不同维度的数据规范化后具有可比性。最后将一维数据序列转化为二维矩阵格式,使卷积神经网络可以进行处理。
FC算法
1)每个参与者从第三方服务器获得初始的DCNN模型;
2)每个参与者用本地数据进行模型训练;
3)参与者将训练几轮后的中间结果上传至第三方服务器;
4)服务器聚合参数并更新全局模型,得到最新模型 ;
5)将最新的全局模型参数下发到各个参与方;
6)重复步骤2)~步骤5) ,直到模型收敛,结束训练。
实验1:验证了将一维数据转化为二维数据的有效性。
本文使用了KDDTrain、KDDTest和KDDTest-2 1数据集
将一维网络数据转换为二维数据的方法不仅提高了模型的精度,还降低了模型的运算成本。
实验2:DCNN模型深度即隐含层数对模型性能没有明显的影响。
实验3:使用FC算法构建入侵检测模型。
两种模型在测试集的准确率方面没有太大差异,在查全率上有所提升,虚报率有所下降,但在训练时间上有明显改善。
且FC算法数据更具有安全性。