論文の概要: PROTEAN: Federated Intrusion Detection in Non-IID Environments through Prototype-Based Knowledge Sharing
- arxiv url: http://arxiv.org/abs/2507.05524v1
- Date: Mon, 07 Jul 2025 22:44:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:37.437773
- Title: PROTEAN: Federated Intrusion Detection in Non-IID Environments through Prototype-Based Knowledge Sharing
- Title（参考訳）: PROTEAN: プロトタイプベースの知識共有による非IID環境におけるフェデレーション侵入検出
- Authors: Sara Chennoufi, Yufei Han, Gregory Blanc, Emiliano De Cristofaro, Christophe Kiennert,
- Abstract要約: PROTEANは,協調的かつプライバシ保護による侵入検出を容易にするための,プロトタイプ学習ベースのフレームワークである。
我々は、IIoTと5G接続された参加者から収集された2つのサイバー侵入データセット上でProTEANをインスタンス化する。
- 参考スコア（独自算出の注目度）: 16.499228189673907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In distributed networks, participants often face diverse and fast-evolving cyberattacks. This makes techniques based on Federated Learning (FL) a promising mitigation strategy. By only exchanging model updates, FL participants can collaboratively build detection models without revealing sensitive information, e.g., network structures or security postures. However, the effectiveness of FL solutions is often hindered by significant data heterogeneity, as attack patterns often differ drastically across organizations due to varying security policies. To address these challenges, we introduce PROTEAN, a Prototype Learning-based framework geared to facilitate collaborative and privacy-preserving intrusion detection. PROTEAN enables accurate detection in environments with highly non-IID attack distributions and promotes direct knowledge sharing by exchanging class prototypes of different attack types among participants. This allows organizations to better understand attack techniques not present in their data collections. We instantiate PROTEAN on two cyber intrusion datasets collected from IIoT and 5G-connected participants and evaluate its performance in terms of utility and privacy, demonstrating its effectiveness in addressing data heterogeneity while improving cyber attack understanding in federated intrusion detection systems (IDSs).
- Abstract（参考訳）: 分散ネットワークでは、参加者は多様で急速に進化するサイバー攻撃に直面していることが多い。
これにより、フェデレートラーニング(FL)に基づいたテクニックが、有望な緩和戦略となります。
モデルの更新のみを交換することで、FL参加者は機密情報、例えばネットワーク構造、セキュリティ姿勢などを明らかにすることなく、共同で検出モデルを構築することができる。
しかし、FLソリューションの有効性は大きなデータの不均一性によって妨げられることが多く、攻撃パターンは様々なセキュリティポリシーのために組織間で大きく異なることが多い。
これらの課題に対処するために,協調的およびプライバシ保護による侵入検知を容易にすることを目的とした,プロトタイプ学習ベースのフレームワークであるProteanを紹介した。
PROTEANは、高い非IID攻撃分布を持つ環境での正確な検出を可能にし、参加者間で異なる攻撃タイプのクラスプロトタイプを交換することで、直接的な知識共有を促進する。
これにより、組織はデータコレクションに存在しない攻撃テクニックをよりよく理解できます。
我々は、IIoTおよび5G接続された参加者から収集された2つのサイバー侵入データセット上でProTEANをインスタンス化し、実用性とプライバシの観点からその性能を評価し、フェデレートされた侵入検知システム(IDS)におけるサイバー攻撃理解を改善しつつ、データの均一性に対処する効果を実証した。
関連論文リスト
- WeiDetect: Weibull Distribution-Based Defense against Poisoning Attacks in Federated Learning for Network Intrusion Detection Systems [23.03944479383518]
WeiDetectは、悪意のある参加者を検知するFLベースのNIDSのための2段階のサーバーサイド防御機構である。
多様な攻撃環境におけるアプローチの有効性を評価する実験を行った。
WeDetectは最先端の防衛アプローチよりも優れています。
論文 参考訳（メタデータ） (2025-04-06T05:31:24Z) - FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。
近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。
本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
論文 参考訳（メタデータ） (2024-11-05T11:42:26Z) - 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) - A Novel Federated Learning-Based IDS for Enhancing UAVs Privacy and Security [1.2999518604217852]
フライングアドホックネットワーク(FANET)内で運用されている無人航空機(UAV)は、これらのネットワークの動的で分散的な性質のためにセキュリティ上の問題に直面している。
以前の研究では、すべてのデバイスからのデータを保存し分析する中心的なエンティティとして、集中的な侵入検出に主に焦点をあてていた。
本稿では、FANETにおける集中型システムによる課題に対処するFL-IDS(Federated Learning-based Intrusion Detection System)を提案する。
論文 参考訳（メタデータ） (2023-12-07T08:50:25Z) - Adversarial Client Detection via Non-parametric Subspace Monitoring in
the Internet of Federated Things [3.280202415151067]
Internet of Federated Things (IoFT)は、フェデレート学習をバックボーンとする相互接続システムのネットワークである。
本稿では、敵攻撃問題に対処する効果的な非パラメトリックアプローチFedRRを提案する。
提案手法は,敵のクライアントを正確に検出し,攻撃が起こらないシナリオ下での誤報率を制御する。
論文 参考訳（メタデータ） (2023-10-02T18:25:02Z) - Security and Privacy Issues of Federated Learning [0.0]
フェデレートラーニング(FL)は、データのプライバシと機密性に対処するための有望なアプローチとして登場した。
本稿では,各種機械学習モデルを対象としたフェデレートラーニング(FL)におけるセキュリティとプライバシの包括的分類について述べる。
論文 参考訳（メタデータ） (2023-07-22T22:51:07Z) - Avoid Adversarial Adaption in Federated Learning by Multi-Metric
Investigations [55.2480439325792]
Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。
FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。
我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。
MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
論文 参考訳（メタデータ） (2023-06-06T11:44:42Z) - Turning Privacy-preserving Mechanisms against Federated Learning [22.88443008209519]
我々は、連邦学習のための最先端の防衛を無効化できる攻撃を設計する。
提案した攻撃には、2つの動作モードが含まれており、第1は収束抑制(逆モード)に焦点を当て、第2はグローバルフェデレーションモデル(バックドアモード)に誤評価インジェクションを構築することを目的としている。
実験の結果,バックドアモードで実施したテストの93%のケースにおいて,両モードにおける攻撃の有効性が示され,敵モードと完全有効バックドアの全テストにおいて平均60%のパフォーマンス低下が回復した。
論文 参考訳（メタデータ） (2023-05-09T11:43:31Z) - Federated Test-Time Adaptive Face Presentation Attack Detection with
Dual-Phase Privacy Preservation [100.69458267888962]
顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。
法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像)は、異なるデータソース間で直接共有することはできない。
本稿では,二相プライバシー保護フレームワークを用いたフェデレーションテスト時間適応顔提示検出を提案する。
論文 参考訳（メタデータ） (2021-10-25T02:51:05Z)
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。