論文の概要: Federated Learning in the Wild: A Comparative Study for Cybersecurity under Non-IID and Unbalanced Settings

• arxiv url: http://arxiv.org/abs/2509.17836v1
• Date: Mon, 22 Sep 2025 14:25:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 14:23:00.397302
• Title: Federated Learning in the Wild: A Comparative Study for Cybersecurity under Non-IID and Unbalanced Settings
• Title（参考訳）: 野生におけるフェデレートラーニング : 非IIDおよびアンバランス環境下でのサイバーセキュリティの比較研究
• Authors: Roberto Doriguzzi-Corin, Petr Sabel, Silvio Cretti, Silvio Ranise,
• Abstract要約: フェデレートラーニング(FL)は、複数のクライアントにわたるMLモデルの協調トレーニングを可能にする新しいパラダイムとして登場した。 本研究は、DDoS攻撃に対する侵入検知の文脈において、FL法を体系的に評価し、評価する。 我々の知る限りでは、現実的な非i.d.とアンバランスな設定下での侵入検出のためのFLアルゴリズムの比較分析はこれが初めてである。
• 参考スコア（独自算出の注目度）: 1.441946602098626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine Learning (ML) techniques have shown strong potential for network traffic analysis; however, their effectiveness depends on access to representative, up-to-date datasets, which is limited in cybersecurity due to privacy and data-sharing restrictions. To address this challenge, Federated Learning (FL) has recently emerged as a novel paradigm that enables collaborative training of ML models across multiple clients while ensuring that sensitive data remains local. Nevertheless, Federated Averaging (FedAvg), the canonical FL algorithm, has proven poor convergence in heterogeneous environments where data distributions are non-independent and identically distributed (i.i.d.) and client datasets are unbalanced, conditions frequently observed in cybersecurity contexts. To overcome these challenges, several alternative FL strategies have been developed, yet their applicability to network intrusion detection remains insufficiently explored. This study systematically reviews and evaluates a range of FL methods in the context of intrusion detection for DDoS attacks. Using a dataset of network attacks within a Kubernetes-based testbed, we assess convergence efficiency, computational overhead, bandwidth consumption, and model accuracy. To the best of our knowledge, this is the first comparative analysis of FL algorithms for intrusion detection under realistic non-i.i.d. and unbalanced settings, providing new insights for the design of robust, privacypreserving network security solutions.
• Abstract（参考訳）: 機械学習(ML)技術は、ネットワークトラフィック分析の強力な可能性を示しているが、その効果は、プライバシとデータ共有の制限によってサイバーセキュリティに制限される、代表的で最新のデータセットへのアクセスに依存する。 この課題に対処するため、フェデレートラーニング(FL)は、複数のクライアントにわたるMLモデルの協調トレーニングを可能にするとともに、機密データがローカルのままであることを保証する新しいパラダイムとして最近登場した。 それでも、標準FLアルゴリズムであるFederated Averaging (FedAvg) は、データ分散が非独立で同一の分散(すなわち、クライアントデータセット)であり、サイバーセキュリティの文脈でよく見られる条件が不均衡である異種環境において、収束性が低いことを証明している。 これらの課題を克服するために、いくつかの代替FL戦略が開発されているが、ネットワーク侵入検出への適用性はまだ不十分である。 本研究は、DDoS攻撃に対する侵入検知の文脈において、FL法を体系的に評価し、評価する。 Kubernetesベースのテストベッド内のネットワーク攻撃のデータセットを使用して、収束効率、計算オーバーヘッド、帯域使用量、モデルの精度を評価します。 我々の知る限り、これは現実的でない非バランスな設定下での侵入検知のためのFLアルゴリズムの比較分析であり、堅牢でプライバシー保護のネットワークセキュリティソリューションの設計のための新たな洞察を提供する。

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)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting [11.185176107646956]
  電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。 我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。 実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-02T16:39:08Z)
• 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)
• Privacy-preserving Federated Primal-dual Learning for Non-convex and Non-smooth Problems with Model Sparsification [51.04894019092156]
  FL(Federated Learning)は,FLオーケストレーション(PS)の下でクライアント上でモデルをトレーニングする,急速に成長する領域として認識されている。 本稿では,非滑らかなFL問題に対して,新しい一次分離アルゴリズムを提案し,保証する。 その独特な洞察力のある性質とその分析も提示される。
  論文  参考訳（メタデータ） (2023-10-30T14:15:47Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
  フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。 モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。 本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
  論文  参考訳（メタデータ） (2022-02-14T18:33:12Z)

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。