联邦学习|入侵检测|物联网IoT【FEDGAN-IDS: Privacy-preserving IDS using GAN and federated learning】

CCF C类

预览

1. 摘要

        联邦学习（FL）是一种有前途的分布式训练模型，旨在最大限度地减少数据共享以增强隐私和性能。 FL 需要充足且多样化的训练数据来构建高效的模型。稀有类别中缺乏数据平衡会影响模型的准确性。生成对抗网络（GAN）在数据增强方面非常出色，可以平衡可用的训练数据。在本文中，我们提出了一种使用 GAN 的新型联邦深度学习 (DL) 入侵检测系统 (IDS)，名为 FEDGAN-IDS，用于检测智能物联网 (IoT) 系统中的网络威胁；智能家居、智能电子医疗保健系统和智能城市。我们将 GAN 网络分布在物联网设备上，充当分类器并使用增强的本地数据进行训练。我们将我们的模型与其他联合入侵检测模型的收敛性和准确性进行比较。对多个数据集的广泛实验证明了所提出的 FEDGAN-IDS 的有效性。该模型比最先进的独立 IDS 性能更好并且收敛更早。

• 问题背景：
  • IoT设备的网络安全挑战：1）网络攻击；2）IoT设备数据有限且分布不均；3）数据隐私问题。
• 方法贡献：结合 GAN 做入侵检测
• 阅读前的思考：本人不研究入侵检测方面，也不是很了解，稍微学习一下领域内大致在做啥。我个人主要关心隐私保护的部分。

2. 动机&贡献

2.1 动机

同问题背景部分，我不太感兴趣，这部分就略过了。

2.2 贡献

(1) 特定场景+FL+GAN：为智能物联网设备设计一种新型的基于分布式 GAN 的入侵检测模型。 GAN 生成的合成数据增强了 IoT 设备上的数据，以单独训练 IDS 模型。 GAN网络解决了物联网设备上数据有限、缺失和不平衡的问题。

(2) 隐私保护：提出隐私保护的FL框架，允许多个智能物联网设备为构建全局入侵检测模型做出贡献。每个设备都根据自己的数据和本地 GAN 生成的合成本地数据训练其单个模型，并将模型参数传输到全局模型。每个设备的本地数据和生成的数据不与其他物联网设备共享。该任务通过在每个设备自己的前提下执行数据预处理和模型构建来确保数据和资源的隐私。全局模型执行参数聚合并将更新后的模型分发到物联网设备。 

说人话就是：联邦学习的数据不动模型动提供隐私保护。OVER，这篇文章的目标用户不是我。

(3)与网络中可用的物联网设备进行多轮通信后，开发出全面的二元和多类分类入侵检测模型。

(4)实验验证。

3. 方法

框架图

• 本地生成器训练：每个IoT设备的生成器接收中央生成器的初始参数，并在本地数据上进行训练，生成与本地流量相似的合成数据。生成的合成数据与真实数据混合后，输入到本地判别器进行训练。
• 本地判别器训练：本地判别器在原始流量和生成流量上进行训练，以提高分类准确性。判别器使用权重、偏置、惩罚项和L2正则化来防止过拟合。
• 中央模型更新：中央生成器和判别器接收所有客户端的参数和错误反馈，进行联邦平均和梯度计算，更新模型参数，并将更新后的参数发送回所有活跃客户端。
• 模型参数分发：更新后的模型参数被发送回所有可用客户端，以构建新的模型。在测试阶段，只有本地判别器用于分类IoT设备上的流量。

4. 个人总结

看完没啥想法，略过略过。