論文の概要: Collaborative Learning for Cyberattack Detection in Blockchain Networks
- arxiv url: http://arxiv.org/abs/2203.11076v1
- Date: Mon, 21 Mar 2022 15:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 18:40:29.839877
- Title: Collaborative Learning for Cyberattack Detection in Blockchain Networks
- Title(参考訳): ブロックチェーンネットワークにおけるサイバー攻撃検出のための協調学習
- Authors: Tran Viet Khoa, Do Hai Son, Dinh Thai Hoang, Nguyen Linh Trung, Tran
Thi Thuy Quynh, Diep N. Nguyen, Nguyen Viet Ha and Eryk Dutkiewicz
- Abstract要約: この記事では、侵入攻撃を調査し、ブロックチェーンネットワークのための新しいサイバー攻撃検出フレームワークを開発することを目的としている。
私たちの知る限りでは、ブロックチェーンネットワークにおけるサイバー攻撃の研究所で合成された最初のデータセットです。
ブロックチェーンネットワークに効率的に配置して攻撃を検知できる新しい協調学習モデルを提案する。
- 参考スコア(独自算出の注目度): 25.48062860621572
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This article aims to study intrusion attacks and then develop a novel
cyberattack detection framework for blockchain networks. Specifically, we first
design and implement a blockchain network in our laboratory. This blockchain
network will serve two purposes, i.e., generate the real traffic data
(including both normal data and attack data) for our learning models and
implement real-time experiments to evaluate the performance of our proposed
intrusion detection framework. To the best of our knowledge, this is the first
dataset that is synthesized in a laboratory for cyberattacks in a blockchain
network. We then propose a novel collaborative learning model that allows
efficient deployment in the blockchain network to detect attacks. The main idea
of the proposed learning model is to enable blockchain nodes to actively
collect data, share the knowledge learned from its data, and then exchange the
knowledge with other blockchain nodes in the network. In this way, we can not
only leverage the knowledge from all the nodes in the network but also do not
need to gather all raw data for training at a centralized node like
conventional centralized learning solutions. Such a framework can also avoid
the risk of exposing local data's privacy as well as the excessive network
overhead/congestion. Both intensive simulations and real-time experiments
clearly show that our proposed collaborative learning-based intrusion detection
framework can achieve an accuracy of up to 97.7% in detecting attacks.
- Abstract(参考訳): この記事では、侵入攻撃を調査し、ブロックチェーンネットワークのための新しいサイバー攻撃検出フレームワークを開発することを目的とする。
具体的には、まず実験室でブロックチェーンネットワークを設計、実装します。
このブロックチェーンネットワークは、学習モデルの実際のトラフィックデータ(通常のデータと攻撃データの両方を含む)を生成し、提案する侵入検出フレームワークのパフォーマンスを評価するために、リアルタイムな実験を実行します。
私たちの知る限りでは、ブロックチェーンネットワークにおけるサイバー攻撃の研究所で合成された最初のデータセットです。
次に,ブロックチェーンネットワークへの効率的な展開による攻撃検出を可能にする,新たな協調学習モデルを提案する。
提案された学習モデルの主なアイデアは、ブロックチェーンノードが積極的にデータを収集し、データから学んだ知識を共有し、ネットワーク内の他のブロックチェーンノードと知識を交換できるようにすることである。
このように、ネットワーク内のすべてのノードからの知識を活用できるだけでなく、従来の集中型学習ソリューションのような集中型ノードでのトレーニングのために、すべての生データを収集する必要がない。
このようなフレームワークは、ネットワークの過度なオーバーヘッド/混雑だけでなく、ローカルデータのプライバシを公開するリスクも回避できる。
集中シミュレーションとリアルタイム実験の両方において,提案する協調学習に基づく侵入検知フレームワークが,攻撃検出において最大97.7%の精度を達成できることが明らかである。
関連論文リスト
- Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。
既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。
本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-29T07:04:48Z) - Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳(メタデータ) (2024-01-28T10:46:17Z) - Defending Against Poisoning Attacks in Federated Learning with
Blockchain [12.840821573271999]
ブロックチェーンと分散台帳技術に基づくセキュアで信頼性の高いフェデレーション学習システムを提案する。
本システムでは,オンチェーン型スマートコントラクトを利用したピアツーピア投票機構と報酬アンドスラッシュ機構を組み込んで,悪意ある行動の検出と検出を行う。
論文 参考訳(メタデータ) (2023-07-02T11:23:33Z) - A Survey on Blockchain-Based Federated Learning and Data Privacy [1.0499611180329802]
フェデレーテッド・ラーニング(Federated Learning)は、複数のクライアントがローカルな計算能力とモデルの伝達を活用して協力できるようにする、分散機械学習パラダイムである。
一方、フェデレーション学習は、ストレージ、転送、共有に使用されるプライバシー保護機構が欠如しているため、データ漏洩の欠点がある。
この調査は、ブロックチェーンベースのフェデレーション学習アーキテクチャで採用されているさまざまなデータプライバシメカニズムのパフォーマンスとセキュリティを比較することを目的としている。
論文 参考訳(メタデータ) (2023-06-29T23:43:25Z) - Extracting Blockchain Concepts from Text [0.5520082338220947]
このプロジェクトの主な目的は、機械学習モデルを適用して、ブロックチェーン分野に焦点を当てたホワイトペーパーや学術論文から情報を抽出し、その情報を整理し、ユーザが空間をナビゲートできるようにすることである。
論文 参考訳(メタデータ) (2023-05-07T00:16:30Z) - APPFLChain: A Privacy Protection Distributed Artificial-Intelligence
Architecture Based on Federated Learning and Consortium Blockchain [6.054775780656853]
APPFLChainと呼ばれる新しいシステムアーキテクチャを提案する。
これはHyperledger Fabricベースのブロックチェーンとフェデレーション学習パラダイムの統合アーキテクチャである。
我々の新しいシステムは、機密性の高い個人情報をサーバに共有する必要がないため、高いセキュリティとプライバシを維持することができる。
論文 参考訳(メタデータ) (2022-06-26T05:30:07Z) - Truth Serum: Poisoning Machine Learning Models to Reveal Their Secrets [53.866927712193416]
トレーニングデータセットを有害にすることができる敵が、このデータセットでトレーニングされたモデルに、他の当事者のプライベート詳細を漏洩させる可能性があることを示す。
私たちの攻撃は、メンバーシップ推論、属性推論、データ抽出に効果的です。
私たちの結果は、機械学習のためのマルチパーティプロトコルにおける暗号化プライバシ保証の関連性に疑問を投げかけました。
論文 参考訳(メタデータ) (2022-03-31T18:06:28Z) - The Feasibility and Inevitability of Stealth Attacks [63.14766152741211]
我々は、攻撃者が汎用人工知能システムにおける決定を制御できる新しい敵の摂動について研究する。
敵対的なデータ修正とは対照的に、ここで考慮する攻撃メカニズムには、AIシステム自体の変更が含まれる。
論文 参考訳(メタデータ) (2021-06-26T10:50:07Z) - Privacy-Preserved Blockchain-Federated-Learning for Medical Image
Analysis Towards Multiple Parties [5.296010468961924]
この記事では、フェデレーション付き学習とブロックチェーンに基づくプライバシ保護フレームワークを設計する。
最初のステップでは、カプセルネットワークを使用してローカルモデルをトレーニングして、COVID-19画像のセグメンテーションと分類を行います。
第2のステップでは、同型暗号方式により局所モデルを確保します。
論文 参考訳(メタデータ) (2021-04-22T07:32:04Z) - Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。
本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文 参考訳(メタデータ) (2020-03-13T15:34:33Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。