論文の概要: Clustering Algorithm to Detect Adversaries in Federated Learning
- arxiv url: http://arxiv.org/abs/2102.10799v1
- Date: Mon, 22 Feb 2021 06:49:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-24 00:41:06.153434
- Title: Clustering Algorithm to Detect Adversaries in Federated Learning
- Title(参考訳): フェデレーション学習における競合検出のためのクラスタリングアルゴリズム
- Authors: Krishna Yadav, B.B Gupta
- Abstract要約: 本稿では,クラスタリングアルゴリズムの助けを借りて敵を検出する手法を提案する。
提案手法では,クライアント側からの処理能力は必要とせず,帯域幅の超過は不要である。
我々のアプローチは、40%の敵が存在する場合でも、グローバルモデルの精度を99%まで向上させることに成功した。
- 参考スコア(独自算出の注目度): 0.6091702876917281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent times, federated machine learning has been very useful in building
intelligent intrusion detection systems for IoT devices. As IoT devices are
equipped with a security architecture vulnerable to various attacks, these
security loopholes may bring a risk during federated training of decentralized
IoT devices. Adversaries can take control over these IoT devices and inject
false gradients to degrade the global model performance. In this paper, we have
proposed an approach that detects the adversaries with the help of a clustering
algorithm. After clustering, it further rewards the clients for detecting
honest and malicious clients. Our proposed gradient filtration approach does
not require any processing power from the client-side and does not use
excessive bandwidth, making it very much feasible for IoT devices. Further, our
approach has been very successful in boosting the global model accuracy, up to
99% even in the presence of 40% adversaries.
- Abstract(参考訳): 近年、連合機械学習はiotデバイスのインテリジェント侵入検知システムを構築するのに非常に有用である。
IoTデバイスは、さまざまな攻撃に対して脆弱なセキュリティアーキテクチャを備えているため、これらのセキュリティの抜け穴は、分散IoTデバイスの連合トレーニング中にリスクをもたらす可能性がある。
敵はこれらのIoTデバイスを制御でき、誤った勾配を注入してグローバルモデルのパフォーマンスを低下させることができる。
本稿では,クラスタリングアルゴリズムの助けを借りて敵を検出する手法を提案する。
クラスタリング後、それはさらに誠実で悪意のあるクライアントを検出するためにクライアントに報います。
提案手法では,クライアント側からの処理パワーを必要とせず,帯域幅を過大に使用せず,IoTデバイスで実現可能である。
さらに、我々のアプローチは、40%の敵が存在する場合でも、グローバルモデル精度を99%まで向上させることに成功した。
関連論文リスト
- Deep Learning-based Embedded Intrusion Detection System for Automotive
CAN [12.084121187559864]
このような脅威を検知し、対処するために、さまざまな侵入検出アプローチが提案されており、機械学習モデルは極めて効果的である。
我々は,専用ハードウェアアクセラレータを通じて,IDS機能を透過的に統合可能なFPGAベースのハイブリッドECUアプローチを提案する。
提案手法では,複数の攻撃データセットの平均精度が99%以上であり,検出レートは0.64%であった。
論文 参考訳(メタデータ) (2024-01-19T13:13:38Z) - Client-side Gradient Inversion Against Federated Learning from Poisoning [59.74484221875662]
フェデレートラーニング(FL)により、分散参加者は、データを中央サーバに直接共有することなく、グローバルモデルをトレーニングできる。
近年の研究では、FLは元のトレーニングサンプルの再構築を目的とした勾配反転攻撃(GIA)に弱いことが判明している。
本稿では,クライアント側から起動可能な新たな攻撃手法であるクライアント側中毒性グレーディエント・インバージョン(CGI)を提案する。
論文 参考訳(メタデータ) (2023-09-14T03:48:27Z) - An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT
Devices [0.7219077740523682]
この研究は、フェデレートラーニングとマルチ層パーセプトロンニューラルネットワークを活用して、IoTデバイスに対するサイバー攻撃を高精度に検出し、データプライバシ保護を強化するホストベースの侵入検知システムを提案する。
論文 参考訳(メタデータ) (2023-06-23T11:26:00Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳(メタデータ) (2021-06-03T16:45:40Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳(メタデータ) (2021-02-12T09:33:00Z) - Adversarial Attacks on Deep Learning Based Power Allocation in a Massive
MIMO Network [62.77129284830945]
本稿では,大規模なマルチインプット・マルチアウトプット(MAMIMO)ネットワークのダウンリンクにおいて,逆攻撃がDLベースの電力割り当てを損なう可能性があることを示す。
我々はこれらの攻撃のパフォーマンスをベンチマークし、ニューラルネットワーク(NN)の入力に小さな摂動がある場合、ホワイトボックス攻撃は最大86%まで実現不可能な解決策をもたらすことを示した。
論文 参考訳(メタデータ) (2021-01-28T16:18:19Z) - Lightweight Collaborative Anomaly Detection for the IoT using Blockchain [40.52854197326305]
モノのインターネット(IoT)デバイスには、攻撃者によって悪用される可能性のある多くの脆弱性がある傾向がある。
異常検出のような教師なしの技術は、これらのデバイスをプラグ・アンド・プロテクトで保護するために使用することができる。
Raspberry Pi48台からなる分散IoTシミュレーションプラットフォームを提案する。
論文 参考訳(メタデータ) (2020-06-18T14:50:08Z) - Enhancing network forensics with particle swarm and deep learning: The
particle deep framework [4.797216015572358]
自動化と生産性への影響により、IoTスマートなものの人気が高まっている。
IoTデバイスは、確立された新しいIoT固有の攻撃ベクタの両方に脆弱性があることが証明されている。
本稿では,Particle Deep Frameworkを利用したIoTネットワークのための新しいネットワーク法医学フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-02T06:39:33Z) - IoT Device Identification Using Deep Learning [43.0717346071013]
組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。
広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。
本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
論文 参考訳(メタデータ) (2020-02-25T12:24:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。