論文の概要: Secure Cluster-Based Hierarchical Federated Learning in Vehicular Networks

• arxiv url: http://arxiv.org/abs/2505.01186v1
• Date: Fri, 02 May 2025 11:01:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:20.002131
• Title: Secure Cluster-Based Hierarchical Federated Learning in Vehicular Networks
• Title（参考訳）: クラスタに基づくセキュアな階層型フェデレーション学習
• Authors: M. Saeid HaghighiFard, Sinem Coleri,
• Abstract要約: 本稿では,クラスタベースのHFLアーキテクチャにおいて,動的車両選択とロバストな異常検出を統合した新しいフレームワークを提案する。 異常検出は、モデル更新におけるZスコアとコサイン類似性分析を組み合わせて、モデル更新における統計的外れ値と方向ずれの両方を識別する。 提案アルゴリズムは, 1ホップおよび3ホップのトポロジのベンチマーク手法と比較して, 収束時間を大幅に短縮することを示す。
• 参考スコア（独自算出の注目度）: 10.177917426690701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hierarchical Federated Learning (HFL) has recently emerged as a promising solution for intelligent decision-making in vehicular networks, helping to address challenges such as limited communication resources, high vehicle mobility, and data heterogeneity. However, HFL remains vulnerable to adversarial and unreliable vehicles, whose misleading updates can significantly compromise the integrity and convergence of the global model. To address these challenges, we propose a novel defense framework that integrates dynamic vehicle selection with robust anomaly detection within a cluster-based HFL architecture, specifically designed to counter Gaussian noise and gradient ascent attacks. The framework performs a comprehensive reliability assessment for each vehicle by evaluating historical accuracy, contribution frequency, and anomaly records. Anomaly detection combines Z-score and cosine similarity analyses on model updates to identify both statistical outliers and directional deviations in model updates. To further refine detection, an adaptive thresholding mechanism is incorporated into the cosine similarity metric, dynamically adjusting the threshold based on the historical accuracy of each vehicle to enforce stricter standards for consistently high-performing vehicles. In addition, a weighted gradient averaging mechanism is implemented, which assigns higher weights to gradient updates from more trustworthy vehicles. To defend against coordinated attacks, a cross-cluster consistency check is applied to identify collaborative attacks in which multiple compromised clusters coordinate misleading updates. Together, these mechanisms form a multi-level defense strategy to filter out malicious contributions effectively. Simulation results show that the proposed algorithm significantly reduces convergence time compared to benchmark methods across both 1-hop and 3-hop topologies.
• Abstract（参考訳）: 階層的フェデレートラーニング(HFL)は、最近、車載ネットワークにおけるインテリジェントな意思決定のための有望なソリューションとして登場し、限られた通信リソース、高い車両移動性、データ不均一性といった課題に対処するのに役立つ。 しかし、HFLは相変わらず敵対的かつ信頼性の低い車両に弱いままであり、その誤ったアップデートはグローバルモデルの完全性と収束性を著しく損なう可能性がある。 これらの課題に対処するために,我々は,動的車両選択と堅牢な異常検出をクラスタベースのHFLアーキテクチャに統合する新しい防御フレームワークを提案する。 このフレームワークは、履歴精度、貢献頻度、異常記録を評価して、各車両の総合的な信頼性評価を行う。 異常検出は、モデル更新におけるZスコアとコサイン類似性分析を組み合わせて、モデル更新における統計的外れ値と方向ずれの両方を識別する。 さらに精査するために、適応しきい値設定機構をコサイン類似度指標に組み込み、各車両の履歴精度に基づいて閾値を動的に調整し、一貫した高性能車両の厳格な基準を強制する。 さらに、より信頼性の高い車両からの勾配更新により高い重量を割り当てる重み付き勾配平均化機構が実装されている。 協調攻撃を防御するために、クラスタ間の一貫性チェックを適用して、複数のクラスタがミスリードした更新をコーディネートするコラボレーティブアタックを特定する。 これらのメカニズムは、悪意あるコントリビューションを効果的にフィルタリングするマルチレベル防衛戦略を形成する。 シミュレーションの結果,提案アルゴリズムは1ホップおよび3ホップのトポロジーのベンチマーク手法と比較して,収束時間を著しく短縮することがわかった。

関連論文リスト

• Byzantine-Resilient Over-the-Air Federated Learning under Zero-Trust Architecture [68.83934802584899]
  我々は,セキュアな適応クラスタリング(FedSAC)を用いたフェデレーション学習(Federated Learning)と呼ばれる,無線通信のための新しいビザンチン・ロバストFLパラダイムを提案する。 FedSACは、デバイスの一部をゼロ信頼アーキテクチャ(ZTA)ベースのビザンティン識別と適応デバイスクラスタリングによる攻撃から保護することを目的としている。 実験精度と収束率の両面から,提案手法よりもFedSACの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-24T01:56:30Z)
• An Optimal Cascade Feature-Level Spatiotemporal Fusion Strategy for Anomaly Detection in CAN Bus [2.8151714475955263]
  本研究では,本問題の本質的な性質に基づくモデルを構築し,全ての支配的パターンを網羅する。 提案モデルでは,F1スコアと精度が向上し,これまでに提示された全てのモデルの中で最高の性能を示す。
  論文  参考訳（メタデータ） (2025-01-31T00:36:08Z)
• LLM-based Continuous Intrusion Detection Framework for Next-Gen Networks [0.7100520098029439]
  このフレームワークはトランスフォーマーエンコーダアーキテクチャを採用しており、悪意のあるトラフィックと正当なトラフィックを区別するために、双方向に隠されたパターンをキャプチャする。 このシステムは、ガウス混合モデル(GMM)を高次元BERT埋め込みから派生したクラスタ特徴に活用することにより、未知の攻撃タイプを段階的に同定する。 新たな未知の攻撃クラスタの統合後も、このフレームワークは高いレベルで動作し続け、分類精度とリコールの両方で95.6%を達成している。
  論文  参考訳（メタデータ） (2024-11-04T18:12:14Z)
• Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection [10.177917426690701]
  階層的フェデレートラーニング(HFL)は、車両ネットワークにおける敵または信頼できない車両の課題に直面している。 本研究では,動的車両選択とロバストな異常検出機構を統合した新しい枠組みを提案する。 提案アルゴリズムは,強烈な攻撃条件下においても顕著なレジリエンスを示す。
  論文  参考訳（メタデータ） (2024-05-25T18:31:20Z)
• Data-Agnostic Model Poisoning against Federated Learning: A Graph Autoencoder Approach [65.2993866461477]
  本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。 この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。 実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
  論文  参考訳（メタデータ） (2023-11-30T12:19:10Z)
• STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles [7.301018758489822]
  車両内通信トラフィック(STC-IDS)の時空間相関特性を用いた自動車侵入検出の新しいモデルを提案する。 具体的には、エンコーダ部では、空間的関係と時間的関係を同時に符号化する。 符号化された情報は検出器に渡され、強制的な空間的時間的注意特徴を生成し、異常分類を可能にする。
  論文  参考訳（メタデータ） (2022-04-23T04:22:58Z)
• Interpolated Joint Space Adversarial Training for Robust and Generalizable Defenses [82.3052187788609]
  敵の訓練(AT)は、敵の攻撃に対する最も信頼できる防御の1つと考えられている。 近年の研究では、新たな脅威モデルの下での対向サンプルによる一般化の改善が示されている。 我々は、JSTM(Joint Space Threat Model)と呼ばれる新しい脅威モデルを提案する。 JSTMでは,新たな敵攻撃・防衛手法が開発されている。
  論文  参考訳（メタデータ） (2021-12-12T21:08:14Z)
• Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
  Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。 ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
  論文  参考訳（メタデータ） (2021-03-18T08:47:56Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。