論文の概要: Segmented Federated Learning for Adaptive Intrusion Detection System
- arxiv url: http://arxiv.org/abs/2107.00881v1
- Date: Fri, 2 Jul 2021 07:47:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-05 12:41:14.501590
- Title: Segmented Federated Learning for Adaptive Intrusion Detection System
- Title（参考訳）: 適応侵入検知システムのためのセグメンテッドフェデレーション学習
- Authors: Geet Shingi, Harsh Saglani, Preeti Jain
- Abstract要約: サイバー攻撃は組織に大きな財政的利益をもたらし、評判を害する。
現在のネットワーク侵入検知システム(NIDS)は不十分なようだ。
より効率的なNIDSのためのSegmented-Federated Learning(Segmented-FL)学習手法を提案する。
- 参考スコア（独自算出の注目度）: 0.6445605125467573
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Cyberattacks are a major issues and it causes organizations great financial,
and reputation harm. However, due to various factors, the current network
intrusion detection systems (NIDS) seem to be insufficent. Predominant NIDS
identifies Cyberattacks through a handcrafted dataset of rules. Although the
recent applications of machine learning and deep learning have alleviated the
enormous effort in NIDS, the security of network data has always been a prime
concern. However, to encounter the security problem and enable sharing among
organizations, Federated Learning (FL) scheme is employed. Although the current
FL systems have been successful, a network's data distribution does not always
fit into a single global model as in FL. Thus, in such cases, having a single
global model in FL is no feasible. In this paper, we propose a
Segmented-Federated Learning (Segmented-FL) learning scheme for a more
efficient NIDS. The Segmented-FL approach employs periodic local model
evaluation based on which the segmentation occurs. We aim to bring similar
network environments to the same group. Further, the Segmented-FL system is
coupled with a weighted aggregation of local model parameters based on the
number of data samples a worker possesses to further augment the performance.
The improved performance by our system as compared to the FL and centralized
systems on standard dataset further validates our system and makes a strong
case for extending our technique across various tasks. The solution finds its
application in organizations that want to collaboratively learn on diverse
network environments and protect the privacy of individual datasets.
- Abstract（参考訳）: サイバー攻撃は大きな問題であり、組織に大きな経済的、評判の害をもたらす。
しかし、様々な要因により、現在のネットワーク侵入検知システム(nids)は不十分であると思われる。
NIDSは、手作りのルールデータセットを通じてサイバー攻撃を特定する。
機械学習とディープラーニングの最近の応用は、nidsの膨大な努力を和らげてきたが、ネットワークデータのセキュリティは常に主要な関心事であった。
しかし、セキュリティ問題に遭遇し、組織間の共有を可能にするために、フェデレートラーニング(FL)スキームが採用されている。
現在のFLシステムは成功したが、ネットワークのデータ分散はFLのような単一のグローバルモデルに必ずしも適合しない。
したがって、そのような場合、fl に単一の大域モデルを持つことは不可能である。
本稿では,より効率的なNIDSのためのSegmented-Federated Learning(Segmented-FL)学習手法を提案する。
segmented-flアプローチでは、セグメンテーションの発生状況に基づいて周期的局所モデル評価を行う。
同様のネットワーク環境を同じグループに持ち込もうとしている。
さらに、Segmented-FLシステムは、作業者が保持するデータサンプル数に基づいて、局所モデルパラメータの重み付け集約と結合して、さらなる性能向上を行う。
FLや標準データセットの集中型システムと比較して,システムの性能向上が図られ,様々なタスクにまたがってその技術を拡張することが強くなっています。
このソリューションは、多様なネットワーク環境を共同で学び、個々のデータセットのプライバシーを保護したい組織に応用される。
関連論文リスト
- CDFL: Efficient Federated Human Activity Recognition using Contrastive Learning and Deep Clustering [12.472038137777474]
HAR(Human Activity Recognition)は、多様なセンサーからのデータを介し、人間の行動の自動化とインテリジェントな識別に不可欠である。
中央サーバー上のデータを集約し、集中処理を行うことによる従来の機械学習アプローチは、メモリ集約であり、プライバシの懸念を高める。
本研究は,画像ベースHARのための効率的なフェデレーション学習フレームワークCDFLを提案する。
論文 参考訳（メタデータ） (2024-07-17T03:17:53Z) - Decentralized Online Federated G-Network Learning for Lightweight
Intrusion Detection [2.7225008315665424]
本稿では,協調学習を用いたGネットワークモデルに基づく分散・オンラインフェデレート学習侵入検出アーキテクチャを提案する。
公的なKitsuneデータセットとBot-IoTデータセットを用いた性能評価の結果、DOF-IDは、すべての協調コンポーネントの侵入検出性能を大幅に改善することが示された。
論文 参考訳（メタデータ） (2023-06-22T16:46:00Z) - Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。
FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。
この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
論文 参考訳（メタデータ） (2023-03-31T10:13:01Z) - 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) - FedHiSyn: A Hierarchical Synchronous Federated Learning Framework for
Resource and Data Heterogeneity [56.82825745165945]
フェデレートラーニング(FL)は、データプライバシを保護するために複数のデバイスに格納された分散生データを共有することなく、グローバルモデルのトレーニングを可能にする。
本稿では,階層型同期FLフレームワークであるFedHiSynを提案し,トラグラー効果や時代遅れモデルの問題に対処する。
提案手法は,MNIST,EMNIST,CIFAR10,CIFAR100のデータセットと多種多様なデバイス設定に基づいて評価する。
論文 参考訳（メタデータ） (2022-06-21T17:23:06Z) - Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized
Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。
CE-FLの過程をモデル化し,分析訓練を行った。
実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文 参考訳（メタデータ） (2022-03-26T00:41:57Z) - Local Learning Matters: Rethinking Data Heterogeneity in Federated
Learning [61.488646649045215]
フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
論文 参考訳（メタデータ） (2021-11-28T19:03:39Z) - A Cyber Threat Intelligence Sharing Scheme based on Federated Learning
for Network Intrusion Detection [3.5557219875516655]
プライバシの懸念とデータセットの普遍的なフォーマットの欠如に対処するために,協調学習方式を提案する。
提案したフレームワークにより、複数の組織が、堅牢なMLベースのネットワーク侵入検知システムの設計、トレーニング、評価に参加することができる。
論文 参考訳（メタデータ） (2021-11-04T12:06:34Z) - SSFL: Tackling Label Deficiency in Federated Learning via Personalized
Self-Supervision [34.38856587032084]
Federated Learning(FL)は、MLトレーニングエコシステムを、クラウド上の集中的な設定から、エッジデバイス上での分散トレーニングへと変えようとしている。
本稿では,自己教師型・パーソナライズド・フェデレーション・ラーニング・フレームワークである,自己教師型フェデレーション・ラーニング(SSFL)を提案する。
FLにおける教師なし学習と教師なし学習との評価精度の差は小さく,合理的であることを示す。
論文 参考訳（メタデータ） (2021-10-06T02:58:45Z) - Mobility-Aware Cluster Federated Learning in Hierarchical Wireless
Networks [81.83990083088345]
我々は,無線ネットワークにおける階層型フェデレーション学習(HFL)アルゴリズムを特徴付ける理論モデルを開発した。
分析の結果,HFLの学習性能は,ハイモービル利用者の学習能力が著しく低下していることが判明した。
これらの問題を回避するため,我々はMACFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-20T10:46:58Z) - WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。
本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文 参考訳（メタデータ） (2020-08-13T04:26:31Z)
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。