論文の概要: BRFID: Toward Byzantine-Robust Federated Intrusion Detection

• arxiv url: http://arxiv.org/abs/2609.28599v1
• Date: Wed, 23 Sep 2026 15:49:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.430792
• Title: BRFID: Toward Byzantine-Robust Federated Intrusion Detection
• Title（参考訳）: BRFID:ビザンチン・ロバスト・フェデレーションによる侵入検知に向けて
• Abstract要約: 本稿では,ラベルフリップによる中毒攻撃が3サイクルIDSに及ぼす影響を定量的に検証した。 本研究は,ビザンツのクライアント識別において,ターゲットデータの流出がない場合に,敵の自己補完信号が検出可能な異常を示すことを示す。
• 参考スコア（独自算出の注目度）: 0.744305770338935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flipping 60\% of training labels from a single Byzantine client using label-flipping model poisoning self-degrades an attacker's own federated detection accuracy, $99.96\%$ (at no poisoning rate) to $84.33\%$ in a three-client federated IDS. Where the Federated global ensemble maintains stable accuracy across all tested poison rates, without a defense mechanism in place and without coordination between attackers. In this paper, we present empirical results quantifying the impact of label-flipping poisoning attacks on a three-client federated IDS trained on CICIDS2017 with non-IID attack subtype distributions across clients. We demonstrate that the signal of the adversarial self-compromise represents a detectable anomaly for exploitation for Byzantine client identification in the absence of target data exfiltration. We note that the aggregation step uses a Federated Forest (tree concatenation) rather than a parametric FedAvg; the results therefore measure the impact of poisoning on per-client performance under ensemble aggregation, and extension to genuine FedAvg with a parametric classifier is planned for future work.
• Abstract（参考訳）: 1つのビザンティンクライアントからのトレーニングラベルの60\%をラベルフライングモデルで自己劣化させ、攻撃者のフェデレート検出精度を99.96\%(中毒率なし)から84.33\%(3サイクルのフェデレートIDS)に向上させる。 フェデレーテッド・グローバル・アンサンブル(英語版)は、全ての試験された毒素の比率を安定的に維持し、防御機構を持たず、攻撃者間の調整も行わない。 本稿では,CICIDS2017で訓練された3サイクルのフェデレートIDSと,クライアント間の非IIDアタックサブタイプ分布に対するラベルフリップ攻撃の影響を定量的に検証する。 本研究は,ビザンツのクライアント識別において,ターゲットデータの流出がない場合に,敵の自己補完信号が検出可能な異常を示すことを示す。 本研究は,アグリゲーションステップにおいて,パラメトリックなFedAvgではなく,フェデレーテッドフォレスト(ツリー結合)を用いており,この結果がアンサンブルアグリゲーションの下でのクライアント毎のパフォーマンスに与える影響を計測し,パラメトリックな分類器による本物のFedAvgへの拡張が今後の作業に向けて計画されていることに留意する。

関連論文リスト

• Targeted Label-Flipping and Oversampling Attacks on Federated Conditional GANs [8.823317238417834]
  GANのための連合学習設定では、いくつかの敵攻撃が可能である。 このような攻撃の1つはラベルフリップであり、悪意のあるクライアントはグローバルジェネレータを操作するために、ローカルトレーニング中にラベル情報を意図的に変更する。
  論文  参考訳（メタデータ） (2026-08-10T08:56:50Z)
• FedSurrogate: Backdoor Defense in Federated Learning via Layer Criticality and Surrogate Replacement [3.3664896840786525]
  フェデレートラーニングは、バックドア攻撃の影響を受けやすい。 既存の防衛は、現実的な非独立かつ同一に分散された(非IID)データの下で、実質的な偽陽性率に悩まされている。 本稿では,2方向勾配フィルタと層適応型異常検出を組み合わせることで,この制限に対処する新しいバックドアディフェンスであるFedSurrogateを提案する。
  論文  参考訳（メタデータ） (2026-05-11T18:30:32Z)
• ProtegoFed: Backdoor-Free Federated Instruction Tuning with Interspersed Poisoned Data [50.142067708131826]
  Federated Instruction Tuning (FIT)は、複数の組織(組織)にまたがる大規模な言語モデルの、プライベートなインストラクションの共有を必要とせずに、クロスサイロ環境での協調的なインストラクションチューニングを可能にする。 最近の研究では、有毒なサンプルが現実世界のデータセットに広範に埋め込まれており、たとえクライアントが良心的であっても、すべてのクライアントに分散している可能性が示唆されている。 ProtegoFedは、トレーニング中にクライアント間で汚染されたデータを正確に検出・浄化・分散する最初のバックドアフリーFITフレームワークである。
  論文  参考訳（メタデータ） (2026-02-28T07:25:32Z)
• TinyGuard:A lightweight Byzantine Defense for Resource-Constrained Federated Learning via Statistical Update Fingerprints [0.9682974755193041]
  TinyGuardは、統計更新fインガープリントを通じて標準のFedAvgアルゴリズムを増強する、ビザンティンの軽量防衛システムである。 MNIST, Fashion-MNIST, ViT-Lite, ViT-Small を LoRA アダプタで実験したところ, TinyGuard は良質な設定で FedAvg コンバージェンスを提供することがわかった。
  論文  参考訳（メタデータ） (2026-02-02T11:41:57Z)
• FedNIA: Noise-Induced Activation Analysis for Mitigating Data Poisoning in FL [6.144680854063938]
  Federated Noise-induced Activation Analysis (FedNIA)は、敵の顧客を特定し排除するための新しい防御フレームワークである。 FedNIAはランダムノイズ入力を注入し、クライアントモデルの階層的なアクティベーションパターンを分析する。 サンプル中毒、ラベルのフリップ、バックドアなど、さまざまなタイプの攻撃に対して防御することができる。
  論文  参考訳（メタデータ） (2025-02-23T01:16:01Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)
• FLCert: Provably Secure Federated Learning against Poisoning Attacks [67.8846134295194]
  FLCertは、有毒な攻撃に対して確実に安全であるアンサンブル・フェデレート学習フレームワークである。 実験の結果,テスト入力に対するFLCertで予測されたラベルは,有意な数の悪意のあるクライアントによって影響を受けないことが判明した。
  論文  参考訳（メタデータ） (2022-10-02T17:50:04Z)
• Improved Certified Defenses against Data Poisoning with (Deterministic) Finite Aggregation [122.83280749890078]
  本報告では, 一般中毒に対する予防的対策として, フィニット・アグリゲーション(Finite Aggregation)を提案する。 トレーニングセットを直接非結合部分集合に分割するDPAとは対照的に、我々の方法はまず、トレーニングセットをより小さな非結合部分集合に分割する。 我々は、決定論的および集約的認証された防御設計をブリッジして、我々の方法の代替的な見解を提供する。
  論文  参考訳（メタデータ） (2022-02-05T20:08:58Z)

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。