論文の概要: Decentralized Online Federated G-Network Learning for Lightweight
Intrusion Detection
- arxiv url: http://arxiv.org/abs/2306.13029v1
- Date: Thu, 22 Jun 2023 16:46:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-23 13:36:49.713183
- Title: Decentralized Online Federated G-Network Learning for Lightweight
Intrusion Detection
- Title(参考訳): 軽量侵入検知のための分散オンラインGネットワーク学習
- Authors: Mert Nak{\i}p and Baran Can G\"ul and Erol Gelenbe
- Abstract要約: 本稿では,分散・オンラインフェデレート学習侵入検知アーキテクチャを提案する。
DOF-IDは、サイバーシステムで使用される各IDSが、他のサイバーシステムで得られた経験から学ぶことができる協調学習システムである。
性能評価結果が示すように、DOF-IDは、オンライン学習の許容時間と同時に、全ての協調ノードの侵入検出性能を著しく改善する。
- 参考スコア(独自算出の注目度): 1.2848239550098695
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cyberattacks are increasingly threatening networked systems, often with the
emergence of new types of unknown (zero-day) attacks and the rise of vulnerable
devices. While Machine Learning (ML)-based Intrusion Detection Systems (IDSs)
have been shown to be extremely promising in detecting these attacks, the need
to learn large amounts of labelled data often limits the applicability of
ML-based IDSs to cybersystems that only have access to private local data. To
address this issue, this paper proposes a novel Decentralized and Online
Federated Learning Intrusion Detection (DOF-ID) architecture. DOF-ID is a
collaborative learning system that allows each IDS used for a cybersystem to
learn from experience gained in other cybersystems in addition to its own local
data without violating the data privacy of other systems. As the performance
evaluation results using public Kitsune and Bot-IoT datasets show, DOF-ID
significantly improves the intrusion detection performance in all collaborating
nodes simultaneously with acceptable computation time for online learning.
- Abstract(参考訳): サイバー攻撃はネットワーク化されたシステムを脅かしている。多くの場合、新しいタイプの未知(ゼロデイ)攻撃や脆弱なデバイスが出現する。
機械学習(ML)ベースの侵入検知システム(IDS)は、これらの攻撃を検出する上で極めて有望であることが示されているが、大量のラベル付きデータを学習する必要性は、MLベースのIDSをプライベートローカルデータのみにアクセス可能なサイバーシステムに適用することを制限することが多い。
そこで本研究では,分散・オンライン統合学習侵入検知(DOF-ID)アーキテクチャを提案する。
DOF-IDは、サイバーシステムで使用される各IDSが、他のシステムのデータのプライバシーを侵害することなく、他のサイバーシステムで得られた経験から学ぶことができる協調学習システムである。
公的なKitsuneデータセットとBot-IoTデータセットによる性能評価結果が示すように、DOF-IDは、オンライン学習に許容される計算時間と同時に、すべての協調ノードの侵入検出性能を大幅に改善する。
関連論文リスト
- On the Cross-Dataset Generalization of Machine Learning for Network
Intrusion Detection [50.38534263407915]
ネットワーク侵入検知システム(NIDS)はサイバーセキュリティの基本的なツールである。
多様なネットワークにまたがる一般化能力は、その有効性と現実のアプリケーションにとって必須の要素である。
本研究では,機械学習に基づくNIDSの一般化に関する包括的分析を行う。
論文 参考訳(メタデータ) (2024-02-15T14:39:58Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳(メタデータ) (2024-01-22T14:16:37Z) - Privacy Side Channels in Machine Learning Systems [82.85919161427604]
プライバシサイドチャネルは、システムレベルのコンポーネントを利用してプライベート情報を抽出する攻撃である。
機械学習ライフサイクル全体にわたるサイドチャネルの4つのカテゴリを提案する。
我々の結果は、全体的なエンドツーエンドのプライバシー分析の必要性を示しています。
論文 参考訳(メタデータ) (2023-09-11T16:49:05Z) - Federated Learning Based Distributed Localization of False Data
Injection Attacks on Smart Grids [5.705281336771011]
偽データインジェクション攻撃(False Data Injection attack, FDIA)は、悪意のあるデータを注入することで、スマート測定デバイスをターゲットにする攻撃の1つである。
本稿では,ハイブリッドディープニューラルネットワークアーキテクチャと組み合わせたフェデレート学習に基づくスキームを提案する。
提案手法をIEEE 57,118,300バスシステムおよび実電力負荷データを用いて広範囲なシミュレーションにより検証した。
論文 参考訳(メタデータ) (2023-06-17T20:29:55Z) - Robust Semi-supervised Federated Learning for Images Automatic
Recognition in Internet of Drones [57.468730437381076]
プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。
異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。
本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
論文 参考訳(メタデータ) (2022-01-03T16:49:33Z) - Deep Transfer Learning: A Novel Collaborative Learning Model for
Cyberattack Detection Systems in IoT Networks [17.071452978622123]
フェデレートラーニング(FL)は近年,サイバー攻撃検知システムにおいて有効なアプローチとなっている。
FLは学習効率を改善し、通信オーバーヘッドを減らし、サイバー攻撃検知システムのプライバシーを高める。
このようなシステムにおけるFLの実装上の課題は、ラベル付きデータの可用性の欠如と、異なるIoTネットワークにおけるデータ機能の相違である。
論文 参考訳(メタデータ) (2021-12-02T05:26:29Z) - Information Stealing in Federated Learning Systems Based on Generative
Adversarial Networks [0.5156484100374059]
我々は,3つの異なるデータセットを用いて,連邦学習環境(FL)に敵対的攻撃を仕掛けた。
この攻撃は、GAN(Generative Adversarial Network)を利用して学習プロセスに影響を及ぼした。
対象者の実際のデータを,すべての適用データセットを用いて共有グローバルモデルパラメータから再構成した。
論文 参考訳(メタデータ) (2021-08-02T08:12:43Z) - Segmented Federated Learning for Adaptive Intrusion Detection System [0.6445605125467573]
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。
論文 参考訳(メタデータ) (2021-07-02T07:47:05Z) - 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) - Firearm Detection and Segmentation Using an Ensemble of Semantic Neural
Networks [62.997667081978825]
本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。
特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。
個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
論文 参考訳(メタデータ) (2020-02-11T13:58:16Z)
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。