論文の概要: Federated Learning for Intrusion Detection System: Concepts, Challenges
and Future Directions
- arxiv url: http://arxiv.org/abs/2106.09527v1
- Date: Wed, 16 Jun 2021 13:13:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-19 13:24:07.495035
- Title: Federated Learning for Intrusion Detection System: Concepts, Challenges
and Future Directions
- Title(参考訳): 侵入検知システムのためのフェデレーション学習:概念,課題,今後の方向性
- Authors: Shaashwat Agrawal, Sagnik Sarkar, Ons Aouedi, Gokul Yenduri, Kandaraj
Piamrat, Sweta Bhattacharya, Praveen Kumar Reddy Maddikunta, Thippa Reddy
Gadekallu
- Abstract要約: 侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。
本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
- 参考スコア(独自算出の注目度): 0.20236506875465865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid development of the Internet and smart devices trigger surge in
network traffic making its infrastructure more complex and heterogeneous. The
predominated usage of mobile phones, wearable devices and autonomous vehicles
are examples of distributed networks which generate huge amount of data each
and every day. The computational power of these devices have also seen steady
progression which has created the need to transmit information, store data
locally and drive network computations towards edge devices. Intrusion
detection systems play a significant role in ensuring security and privacy of
such devices. Machine Learning and Deep Learning with Intrusion Detection
Systems have gained great momentum due to their achievement of high
classification accuracy. However the privacy and security aspects potentially
gets jeopardised due to the need of storing and communicating data to
centralized server. On the contrary, federated learning (FL) fits in
appropriately as a privacy-preserving decentralized learning technique that
does not transfer data but trains models locally and transfers the parameters
to the centralized server. The present paper aims to present an extensive and
exhaustive review on the use of FL in intrusion detection system. In order to
establish the need for FL, various types of IDS, relevant ML approaches and its
associated issues are discussed. The paper presents detailed overview of the
implementation of FL in various aspects of anomaly detection. The allied
challenges of FL implementations are also identified which provides idea on the
scope of future direction of research. The paper finally presents the plausible
solutions associated with the identified challenges in FL based intrusion
detection system implementation acting as a baseline for prospective research.
- Abstract(参考訳): インターネットとスマートデバイスが急速に開発され、ネットワークトラフィックが急増し、インフラストラクチャが複雑で不均一になった。
携帯電話、ウェアラブルデバイス、自動運転車の優勢な利用は、毎日、そして毎日大量のデータを生成する分散ネットワークの例である。
これらのデバイスの計算能力も着実に進歩しており、情報を送信したり、データをローカルに保存したり、エッジデバイスに向けてネットワーク計算を駆動する必要が生じた。
侵入検知システムは、そのようなデバイスのセキュリティとプライバシーを確保する上で重要な役割を果たす。
侵入検出システムを用いた機械学習とディープラーニングは、高い分類精度の達成によって大きな勢いを増している。
しかし、プライバシーとセキュリティの側面は、データを集中型サーバに保存し、通信する必要があるため、潜在的に危険にさらされる可能性がある。
それとは対照的に、フェデレーション学習(FL)は、データを転送するのではなく、モデルをローカルに訓練し、パラメータを集中サーバに転送するプライバシー保護分散型学習技術として適切に適合する。
本稿では, 侵入検知システムにおけるflの利用について, 広範囲かつ徹底的に検討することを目的とする。
FLの必要性を確立するために,様々なタイプのIDS,関連するMLアプローチ,関連する課題について論じる。
本稿では,異常検出の様々な側面におけるFLの実装の概要について述べる。
FL実装の関連する課題も特定され、今後の研究の方向性に関するアイデアが提供される。
本稿は,flベースの侵入検知システムの実装における課題が,将来研究のベースラインとして機能する可能性の高い解決法を提案する。
関連論文リスト
- Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and
Insights [52.024964564408]
本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。
それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。
我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
論文 参考訳(メタデータ) (2023-12-07T20:39:57Z) - Sparse Federated Training of Object Detection in the Internet of
Vehicles [13.864554148921826]
物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである
現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。
そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-07T08:58:41Z) - GowFed -- A novel Federated Network Intrusion Detection System [0.15469452301122172]
本研究は,Gower Dissimilarity行列とFederated Averagingを併用したネットワーク脅威検出システムであるGowFedを紹介する。
GowFedのアプローチは,(1)バニラバージョン,(2)アテンション機構を備えたバージョンなど,最先端の知識に基づいて開発されている。
全体として、GowFedは、産業レベルのネットワークにおけるネットワーク脅威を検出するためのフェデレートラーニングとガウワーの相違行列の併用に向けた最初の一歩となる。
論文 参考訳(メタデータ) (2022-10-28T23:53:37Z) - Federated Learning and Meta Learning: Approaches, Applications, and
Directions [94.68423258028285]
本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。
他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
論文 参考訳(メタデータ) (2022-10-24T10:59:29Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳(メタデータ) (2022-09-01T03:27:33Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳(メタデータ) (2022-06-03T23:55:45Z) - A review of Federated Learning in Intrusion Detection Systems for IoT [0.15469452301122172]
侵入検知システムは、環境中の異常を検索するデータ分析を行うインテリジェントシステムへと進化している。
ディープラーニング技術は、より複雑で効果的な脅威検出モデルを構築するための扉を開いた。
現在のアプローチは、すべてのパーティからデータを受け取る強力な集中型サーバに依存しています。
本稿では,侵入検出分野におけるフェデレートラーニング手法の適用に焦点を当てた。
論文 参考訳(メタデータ) (2022-04-26T17:00:07Z) - Evaluating Federated Learning for Intrusion Detection in Internet of
Things: Review and Challenges [0.0]
フェデレーテッド・ラーニング(FL)は、医療や交通システムなど、さまざまな分野で大きな関心を集めている。
我々は,IoTシナリオにおける異なる攻撃を検出するために,異なるデータ分布を考慮したマルチクラス分類器に基づくFL対応IDSアプローチを評価する。
我々は,既存の文献と評価結果の分析に基づいて,課題の集合と今後の方向性を同定する。
論文 参考訳(メタデータ) (2021-08-02T15:22:05Z) - Federated Learning: A Signal Processing Perspective [144.63726413692876]
フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。
本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
論文 参考訳(メタデータ) (2021-03-31T15:14:39Z) - Multi-Source Data Fusion for Cyberattack Detection in Power Systems [1.8914160585516038]
複数のデータソースからの情報を融合することで,サイバーインシデントの発生を識別し,偽陽性を低減できることが示されている。
我々は、サイバー物理電力システムテストベッドでIDSを訓練するためのマルチソースデータ融合を行う。
提案するデータ融合アプリケーションを用いて偽データとコマンドインジェクションに基づく中間攻撃を推測する。
論文 参考訳(メタデータ) (2021-01-18T06:34:45Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳(メタデータ) (2020-01-27T11:21:05Z)
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。