論文の概要: PenTiDef: Enhancing Privacy and Robustness in Decentralized Federated Intrusion Detection Systems against Poisoning Attacks

• arxiv url: http://arxiv.org/abs/2602.17973v1
• Date: Fri, 20 Feb 2026 03:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.221792
• Title: PenTiDef: Enhancing Privacy and Robustness in Decentralized Federated Intrusion Detection Systems against Poisoning Attacks
• Title（参考訳）: PenTiDef: 分散型フェデレーション侵入検知システムのプライバシとロバスト性向上
• Authors: Phan The Duy, Nghi Hoang Khoa, Nguyen Tran Anh Quan, Luong Ha Tien, Ngo Duc Hoang Son, Van-Hau Pham,
• Abstract要約: PenTiDefは、DFL-IDSのプライバシー保護と堅牢な防御フレームワークである。 分散化されたモデルアグリゲーションコンテキストにおける悪意のある更新を検出するために、潜時空間表現を使用している。 さまざまなアタックシナリオやデータ分散にわたって、既存のディフェンスを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 0.42222053626544365
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing deployment of Federated Learning (FL) in Intrusion Detection Systems (IDS) introduces new challenges related to data privacy, centralized coordination, and susceptibility to poisoning attacks. While significant research has focused on protecting traditional FL-IDS with centralized aggregation servers, there remains a notable gap in addressing the unique challenges of decentralized FL-IDS (DFL-IDS). This study aims to address the limitations of traditional centralized FL-IDS by proposing a novel defense framework tailored for the decentralized FL-IDS architecture, with a focus on privacy preservation and robustness against poisoning attacks. We propose PenTiDef, a privacy-preserving and robust defense framework for DFL-IDS, which incorporates Distributed Differential Privacy (DDP) to protect data confidentiality and utilizes latent space representations (LSR) derived from neural networks to detect malicious updates in the decentralized model aggregation context. To eliminate single points of failure and enhance trust without a centralized aggregation server, PenTiDef employs a blockchain-based decentralized coordination mechanism that manages model aggregation, tracks update history, and supports trust enforcement through smart contracts. Experimental results on CIC-IDS2018 and Edge-IIoTSet demonstrate that PenTiDef consistently outperforms existing defenses (e.g., FLARE, FedCC) across various attack scenarios and data distributions. These findings highlight the potential of PenTiDef as a scalable and secure framework for deploying DFL-based IDS in adversarial environments. By leveraging privacy protection, malicious behavior detection in hidden data, and working without a central server, it provides a useful security solution against real-world attacks from untrust participants.
• Abstract（参考訳）: 侵入検知システム(IDS)におけるフェデレートラーニング(FL)の展開の増加は、データのプライバシ、集中的な調整、中毒攻撃への感受性に関する新たな課題を導入している。 従来のFL-IDSを集中集約サーバで保護することに焦点を当てた重要な研究はあったが、分散FL-IDS(DFL-IDS)のユニークな課題に対処する上で、注目すべきギャップが残っている。 本研究は,分散型FL-IDSアーキテクチャに適した新しい防衛フレームワークを提案することにより,従来の集中型FL-IDSの限界に対処することを目的としている。 我々は、分散微分プライバシー(DDP)を組み込んだDFL-IDSのプライバシー保護と堅牢な防御フレームワークであるPenTiDefを提案し、ニューラルネットワークから派生した潜時空間表現(LSR)を用いて、分散モデル集約コンテキストにおける悪意のある更新を検出する。 単一障害点を排除し、集中集約サーバなしで信頼を高めるため、PentiDefでは、モデルアグリゲーションを管理し、更新履歴を追跡し、スマートコントラクトを通じて信頼執行をサポートする、ブロックチェーンベースの分散コーディネーションメカニズムを採用している。 CIC-IDS2018とEdge-IIoTSetの実験結果は、PentiDefが既存の防御(例えば、FLARE、FedCC)をさまざまな攻撃シナリオやデータ分散で一貫して上回っていることを示している。 これらの知見は、DFLベースのIDSを敵環境に展開するためのスケーラブルでセキュアなフレームワークとして、PentiDefの可能性を浮き彫りにしている。 プライバシ保護、隠されたデータにおける悪意のある行動検出、および中央サーバーなしでの動作を活用することで、信頼できない参加者による現実世界の攻撃に対して有用なセキュリティソリューションを提供する。

関連論文リスト

• SRFed: Mitigating Poisoning Attacks in Privacy-Preserving Federated Learning with Heterogeneous Data [5.7335377562335275]
  Federated Learning (FL)は、クライアントのプライベートデータを公開せずに協調的なモデルトレーニングを可能にし、プライバシに敏感なシナリオで広く採用されている。 クライアントのプライベートデータを再構築する推論攻撃を起動する好奇心の強いサーバと、モデルアグリゲーションを妨害するために有害な攻撃を起動するクライアントだ。 我々は,非IIDシナリオのための効率的なビザンチン汚染とプライバシー保護のためのFLフレームワークであるSRFedを提案する。
  論文  参考訳（メタデータ） (2026-02-18T14:14:38Z)
• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• 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)
• Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
  ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。 フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。 本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-28T07:08:26Z)
• 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)
• Sentinel: An Aggregation Function to Secure Decentralized Federated Learning [9.046402244232343]
  Decentralized Federated Learning (DFL)は、協調モデルをトレーニングするための革新的なパラダイムとして登場し、単一障害点に対処する。 既存の防御機構は集中型FLのために設計されており、DFLの特異性を十分に活用していない。 この研究は、DFLの毒殺攻撃に対抗する防衛戦略であるSentinelを紹介した。
  論文  参考訳（メタデータ） (2023-10-12T07:45:18Z)
• CrowdGuard: Federated Backdoor Detection in Federated Learning [39.58317527488534]
  本稿では,フェデレートラーニングにおけるバックドア攻撃を効果的に軽減する新しい防御機構であるCrowdGuardを提案する。 CrowdGuardでは、サーバロケーションのスタック化されたクラスタリングスキームを使用して、クライアントからのフィードバックに対するレジリエンスを高めている。 評価結果は、CrowdGuardがさまざまなシナリオで100%正の正の正の正の負の負の負の値を達成することを示す。
  論文  参考訳（メタデータ） (2022-10-14T11:27:49Z)
• A Secure Federated Learning Framework for 5G Networks [44.40119258491145]
  分散トレーニングデータセットを使用して機械学習モデルを構築するための新たなパラダイムとして、フェデレートラーニング(FL)が提案されている。 重大なセキュリティ上の脅威は2つあり、毒殺とメンバーシップ推論攻撃である。 ブロックチェーンベースのセキュアなFLフレームワークを提案し、スマートコントラクトを作成し、悪意のあるあるいは信頼性の低い参加者がFLに参加するのを防ぐ。
  論文  参考訳（メタデータ） (2020-05-12T13:27:23Z)

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。