論文の概要: Sentinel: Dynamic Knowledge Distillation for Personalized Federated Intrusion Detection in Heterogeneous IoT Networks

• arxiv url: http://arxiv.org/abs/2510.23019v1
• Date: Mon, 27 Oct 2025 05:32:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:22.001867
• Title: Sentinel: Dynamic Knowledge Distillation for Personalized Federated Intrusion Detection in Heterogeneous IoT Networks
• Title（参考訳）: Sentinel: 異種IoTネットワークにおける個人化フェデレーション侵入検出のための動的知識蒸留
• Authors: Gurpreet Singh, Keshav Sood, P. Rajalakshmi, Yong Xiang,
• Abstract要約: フェデレーテッド・ラーニング(FL)は機械学習のプライバシ保護パラダイムを提供するが、IoTネットワーク内の侵入検知システム(IDS)におけるその応用は、厳しいクラス不均衡、非IIDデータ、高い通信オーバーヘッドに悩まされている。 本稿では、各クライアントにデュアルモデルアーキテクチャを組み込んだ、個人化されたIDSフレームワークであるSentinelを提案する。 この設計は、コンパクトな学生モデルのみを送信することでクライアントプライバシを保ちながら、効率的なグローバルモデルコンセンサスとの深い局所適応を効果的にバランスさせ、通信コストを低減させる。
• 参考スコア（独自算出の注目度）: 8.372066229809386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) offers a privacy-preserving paradigm for machine learning, but its application in intrusion detection systems (IDS) within IoT networks is challenged by severe class imbalance, non-IID data, and high communication overhead.These challenges severely degrade the performance of conventional FL methods in real-world network traffic classification. To overcome these limitations, we propose Sentinel, a personalized federated IDS (pFed-IDS) framework that incorporates a dual-model architecture on each client, consisting of a personalized teacher and a lightweight shared student model. This design effectively balances deep local adaptation with efficient global model consensus while preserving client privacy by transmitting only the compact student model, thus reducing communication costs. Sentinel integrates three key mechanisms to ensure robust performance: bidirectional knowledge distillation with adaptive temperature scaling, multi-faceted feature alignment, and class-balanced loss functions. Furthermore, the server employs normalized gradient aggregation with equal client weighting to enhance fairness and mitigate client drift. Extensive experiments on the IoTID20 and 5GNIDD benchmark datasets demonstrate that Sentinel significantly outperforms state-of-the-art federated methods, establishing a new performance benchmark, especially under extreme data heterogeneity, while maintaining communication efficiency.
• Abstract（参考訳）: フェデレーションラーニング(FL)は機械学習のプライバシ保護パラダイムを提供するが、IoTネットワーク内の侵入検知システム(IDS)の応用は、厳しいクラス不均衡、非IIDデータ、高い通信オーバヘッドによる課題であり、これらの課題は、現実のネットワークトラフィック分類における従来のFLメソッドのパフォーマンスを著しく低下させる。 このような制約を克服するために、各クライアントにデュアルモデルアーキテクチャを組み込んだ、パーソナライズされたIDS(pFed-IDS)フレームワークであるSentinelを提案する。 この設計は、コンパクトな学生モデルのみを送信することでクライアントプライバシを保ちながら、効率的なグローバルモデルコンセンサスとの深い局所適応を効果的にバランスさせ、通信コストを低減させる。 Sentinelは、適応温度スケーリングによる双方向知識蒸留、多面的特徴アライメント、クラスバランス損失関数の3つの主要なメカニズムを統合して、ロバストな性能を確保する。 さらに、サーバは、均等なクライアント重み付けによる正規化勾配アグリゲーションを用いて、公正性を高め、クライアントのドリフトを緩和する。 IoTID20と5GNIDDベンチマークデータセットに関する大規模な実験は、Sentinelが最先端のフェデレーションメソッドを著しく上回り、通信効率を維持しながら、特に極端なデータ不均一性の下で、新しいパフォーマンスベンチマークを確立することを示した。

関連論文リスト

• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• Asynchronous Personalized Federated Learning through Global Memorization [16.630360485032163]
  Federated Learningは、機密データを集中化せずに、分散デバイス間で協調的なモデルトレーニングを可能にすることにより、プライバシ保護ソリューションを提供する。 サーバ側セマンティックジェネレータを用いて、クライアントがパーソナライズされたモデルを開発することを可能にする非同期パーソナライズドフェデレーション学習フレームワークを提案する。 このジェネレータは、グローバルモデル監視の下でデータ自由な知識伝達によって訓練され、見知らぬサンプルと見えないサンプルの両方を生成することにより、クライアントデータの多様性を高める。 総合データ障害訓練のリスクに対処するため, 頑健なパーソナライゼーションを確保するために, 疎結合モデルを導入する。
  論文  参考訳（メタデータ） (2025-03-01T09:00:33Z)
• H-FedSN: Personalized Sparse Networks for Efficient and Accurate Hierarchical Federated Learning for IoT Applications [9.584696468209565]
  実用的なIoT環境のための革新的なアプローチとして,H-FedSNを提案する。 H-FedSNでは、通信オーバーヘッドを低減するために、共有層とパーソナライズ層を備えたバイナリマスク機構が導入されている。 H-FedSN は HierFAVG と比較して通信コストを 58 倍から 238 倍に削減する。
  論文  参考訳（メタデータ） (2024-12-09T05:05:47Z)
• 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)
• Communication-Efficient Personalized Federated Learning for Speech-to-Text Tasks [64.02867484165476]
  プライバシー保護と法的規制を満たすために、連邦学習(FL)は、音声テキスト(S2T)システムのトレーニングにおいて大きな注目を集めている。 S2Tタスクで一般的に使用されるFLアプローチ(textscFedAvg)は、通常、広範な通信オーバーヘッドに悩まされる。 我々は、クライアント側チューニングとサーバとのインタラクションのための軽量なLoRAモジュールであるtextscFedLoRA と、$k$-near を備えたグローバルモデルである textscFedMem を導入したパーソナライズされたS2Tフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T15:39:38Z)
• 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)
• Dynamic Attention-based Communication-Efficient Federated Learning [85.18941440826309]
  フェデレートラーニング(FL)は、グローバル機械学習モデルをトレーニングするためのソリューションを提供する。 FLは、クライアントデータの分散が非IIDであるときに性能劣化に悩まされる。 本稿では,この劣化に対処するために,新しい適応トレーニングアルゴリズムであるtextttAdaFL$を提案する。
  論文  参考訳（メタデータ） (2021-08-12T14:18:05Z)
• Towards Fair Federated Learning with Zero-Shot Data Augmentation [123.37082242750866]
  フェデレーション学習は重要な分散学習パラダイムとして登場し、サーバはクライアントデータにアクセスせずに、多くのクライアントがトレーニングしたモデルからグローバルモデルを集約する。 本稿では, 統計的不均一性を緩和し, フェデレートネットワークにおけるクライアント間での精度向上を図るために, ゼロショットデータ拡張を用いた新しいフェデレーション学習システムを提案する。 Fed-ZDAC (クライアントでのゼロショットデータ拡張によるフェデレーション学習) と Fed-ZDAS (サーバでのゼロショットデータ拡張によるフェデレーション学習) の2種類について検討する。
  論文  参考訳（メタデータ） (2021-04-27T18:23:54Z)
• SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems [15.796325306292134]
  フェデレートラーニング(FL)は、データプライバシを維持しながら、エッジデバイス上で共有モデルの協調トレーニングを可能にする。 様々なパーソナライズされたアプローチが提案されているが、そのようなアプローチはデータ分散の根底にある変化に対処できない。 本稿では,ブロックチェーンとフェデレーション学習に基づく動的に最適化された個人深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-12T02:57:05Z)

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。