論文の概要: XAI FL-IDS: A Federated Learning and SHAP-Based Explainable Framework for Distributed Intrusion Detection Systems

• arxiv url: http://arxiv.org/abs/2605.19448v1
• Date: Tue, 19 May 2026 07:03:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.176342
• Title: XAI FL-IDS: A Federated Learning and SHAP-Based Explainable Framework for Distributed Intrusion Detection Systems
• Title（参考訳）: XAI FL-IDS:分散侵入検知システムのためのフェデレーション学習とSHAPに基づく説明可能なフレームワーク
• Authors: Mohammad Hossein Gholamrezazadeh, AhmadReza Montazerolghaem,
• Abstract要約: 侵入検知システム(IDS)は、ネットワーク間の不正な活動を検出するサイバーセキュリティにおいて不可欠である。 ほとんどのIDSは集中型検出に依存しており、IoTノードはデータをサーバに送らざるを得ず、オーバーヘッドを追加し、プライバシ保証を提供しない。 本研究は、プライバシ保護のためのソリューションを提案し、新しいシステムに説明可能性を追加する。
• 参考スコア（独自算出の注目度）: 3.093890460224435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An Intrusion Detection System (IDS) is vital in cybersecurity, detecting unauthorized activity across networks. With attacks on network layers increasing, stronger IDSs are needed. Yet most IDSs rely on centralized detection, forcing IoT nodes to ship data to a server, adding overhead and offering no privacy guarantees. Moreover, conventional models focus solely on flagging attacks, without explaining how individual features influence those decisions. This research aims to address these dual limitations by first proposing a solution for privacy preservation and then adding explainability to the new system. We introduce an innovative framework called XAI FL-IDS, which integrates Federated Learning (FL) with Explainable AI (XAI). The XAI FL-IDS system eliminates concerns over data transfer because each node trains its data locally and only sends the necessary update parameters to the server. Additionally, all detections, both at the local node and central server levels, are scrutinized using SHapley Additive exPlanations (SHAP), providing detailed insight into the decision-making process. This system consists of a central server and 10 clients and utilizes the Edge-IIoTset dataset, which is distributed among all clients with careful attention paid to class balancing. On each client, the XGBoost model is executed on local data. The proposed method demonstrates robust efficiency and strong performance in intrusion detection, achieving an accuracy of over 99% and, at times, reaching 100%. By incorporating FL, the confidentiality of the network information on every local node is guaranteed.
• Abstract（参考訳）: 侵入検知システム(IDS)は、ネットワーク間の不正な活動を検出するサイバーセキュリティにおいて不可欠である。 ネットワーク層への攻撃が増加するにつれ、強力なIDSが必要になる。 しかし、ほとんどのIDSは集中型検出に依存しており、IoTノードはデータをサーバに送らざるを得ず、オーバーヘッドを追加し、プライバシ保証を提供しない。 さらに、従来のモデルは、個々の機能がこれらの決定にどのように影響するかを説明することなく、攻撃をフラグ付けすることにのみ焦点をあてている。 本研究の目的は、まずプライバシ保護のためのソリューションを提案し、新しいシステムに説明可能性を加えることで、これらの2つの制限に対処することである。 本稿では,Federated Learning(FL)とExplainable AI(XAI)を統合した,XAI FL-IDSという革新的なフレームワークを紹介する。 XAI FL-IDSシステムは、各ノードがデータをローカルにトレーニングし、必要な更新パラメータのみをサーバに送信するため、データ転送に関する懸念を取り除く。 さらに、すべての検出は、ローカルノードと中央サーバレベルの両方で、SHAP(SHapley Additive ExPlanations)を使用して精査され、意思決定プロセスに関する詳細な洞察を提供する。 このシステムは、中央サーバと10のクライアントで構成され、クラスバランシングに注意を払って、すべてのクライアントに分散されるEdge-IIoTsetデータセットを使用している。 各クライアントでは、XGBoostモデルがローカルデータ上で実行される。 提案手法は、侵入検知における堅牢な効率と高い性能を示し、精度は99%以上、時には100%に達する。 FLを組み込むことにより、各ローカルノードのネットワーク情報の機密性が保証される。

関連論文リスト

• Privacy-Preserving Distributed Learning in IoT Systems: A Unified Threat Model and Evaluation Framework [45.88028371034407]
  本稿では,IoT環境における分散学習のためのプライバシ保護手法の構造解析を行う。 モデルインバージョン、メンバシップ推論、勾配リーク、通信ベースの攻撃をキャプチャする統合脅威モデルが導入された。 その結果、プライバシーの強さとシステム効率の根本的なトレードオフが浮かび上がっている。
  論文  参考訳（メタデータ） (2026-05-10T00:22:11Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• CND-IDS: Continual Novelty Detection for Intrusion Detection Systems [7.196884299359838]
  侵入検知システム(IDS)は、システムデータを監視し、不審な活動に警告することで、IoTとネットワークセキュリティにおいて重要な役割を果たす。 機械学習(ML)がIDSの有望なソリューションとして登場し、高精度な侵入検出を提供する。 i)システムデータの新機能表現を継続的に更新する学習ベースの特徴抽出器と,(ii)主成分分析(PCA)再構成を利用して新たなサイバー攻撃を識別する新規性検出器からなる,連続的ノベルティ検出IDSフレームワークであるCND-IDSを提案する。
  論文  参考訳（メタデータ） (2025-02-19T20:47:22Z)
• A Trustworthy AIoT-enabled Localization System via Federated Learning and Blockchain [29.968086297894626]
  そこで我々はDFLocというフレームワークを提案し,正確な3Dローカライゼーションを実現する。 具体的には、信頼性が高く正確な屋内位置決めシステムにおける単一点故障の問題に対処する。 悪意のあるノード攻撃の懸念を軽減するため、ブロックチェーン内にモデル検証機構を更新する。
  論文  参考訳（メタデータ） (2024-07-08T04:14:19Z)
• 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)
• Federated Deep Learning for Intrusion Detection in IoT Networks [1.3097853961043058]
  AIベースの侵入検知システム(IDS)を分散IoTシステムに実装する一般的なアプローチは、中央集権的な方法である。 このアプローチはデータのプライバシを侵害し、IDSのスケーラビリティを禁止します。 我々は、実世界の実験代表を設計し、FLベースのIDSの性能を評価する。
  論文  参考訳（メタデータ） (2023-06-05T09:08:24Z)
• Attribute Inference Attack of Speech Emotion Recognition in Federated Learning Settings [56.93025161787725]
  Federated Learning(FL)は、クライアントをコーディネートして、ローカルデータを共有せずにモデルを協調的にトレーニングする分散機械学習パラダイムである。 本稿では,共有勾配やモデルパラメータからクライアントの機密属性情報を推測する属性推論攻撃フレームワークを提案する。 FLを用いて学習したSERシステムに対して,属性推論攻撃が達成可能であることを示す。
  論文  参考訳（メタデータ） (2021-12-26T16:50:42Z)
• Collaborative Unsupervised Visual Representation Learning from Decentralized Data [34.06624704343615]
  我々は、新しいフェデレーション付き教師なし学習フレームワーク、FedUを提案する。 このフレームワークでは、オンラインネットワークとターゲットネットワークとの対比学習を用いて、各パーティが、ラベルのないデータから独立してモデルをトレーニングする。 FedUはデータのプライバシを保護している。
  論文  参考訳（メタデータ） (2021-08-14T08:34:11Z)

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。