Hội thảo nghiên cứu ứng dụng Mật mã và An toàn thông tin

Bài viết

Federated Trust-Based Authentication for Secure Mobile Cloud Access

  • Lê Vĩnh Thịnh · Ho Chi Minh City University of Technology and Education (HCMUTE) (VN)
DOI: 10.54654/isj.v1i24.1113
Từ khóaHọc liên kếttính toán đáng tin cậyđiện toán đám mây di độngxác thực dựa trên rủi ro

Tóm tắt

Sự phát triển mạnh mẽ của các dịch vụ đám mây di động đã làm gia tăng đáng kể sự phức tạp và các nguy cơ liên quan đến việc xác thực người dùng. Các phương pháp xác thực truyền thống dựa trên mật khẩu dễ bị tấn công đánh cắp thông tin đăng nhập và chiếm đoạt tài khoản. Mặc dù các phương pháp xác thực dựa trên rủi ro tập trung (centralized Risk-Based Authentication - RBA) giúp tăng cường bảo mật bằng cách đánh giá mức độ rủi ro của mỗi lần đăng nhập, các phương pháp này thường làm ảnh hưởng đến quyền riêng tư của người dùng do việc tập trung hóa dữ liệu xác thực nhạy cảm. Để khắc phục những hạn chế này, bài báo đề xuất một khung xác thực liên kết dựa trên độ tin cậy sử dụng học liên kết (Federated Learning - FL), tích hợp với mạng nơ-ron nhân tạo cải tiến bằng phương pháp chuẩn hóa theo lô (Artificial Neural Network with Batch Normalization - ANN-BN). Cụ thể, khung đề xuất tính toán điểm tin cậy cho từng lần đăng nhập dựa trên các mẫu hành vi người dùng và các dấu hiệu nguy cơ ngữ cảnh. Phương pháp dựa trên độ tin cậy này giúp phát hiện chính xác các lần đăng nhập độc hại, đồng thời bảo vệ quyền riêng tư của người dùng thông qua việc huấn luyện mô hình phân tán trên nhiều thiết bị khách. Các thử nghiệm trên một tập dữ liệu đăng nhập thực tế cho thấy mô hình ANN-BN liên kết đạt độ chính xác phát hiện cao cùng tỷ lệ cảnh báo sai thấp, cân bằng hiệu quả giữa việc nâng cao bảo mật và bảo vệ quyền riêng tư. Kết quả của chúng tôi khẳng định tính hiệu quả và tính thực tiễn của học liên kết trong việc xác thực an toàn cho môi trường đám mây di động, đồng thời làm nổi bật tiềm năng triển khai thực tế và định hướng cho các nghiên cứu tiếp theo trong tương lai.

Lượt tải theo tháng

0163206/2507/2508/2509/2510/2511/2512/2501/2602/2603/2604/2605/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Lê Vĩnh Thịnh (2025). Federated Trust-Based Authentication for Secure Mobile Cloud Access. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 1(24), 88-104. https://doi.org/10.54654/isj.v1i24.1113

Tài liệu tham khảo

  1. 1.. T. G. Tan, P. Szalachowski, and J. Zhou, “Securing Password Authentication for Web-based Applications”, in 2022 IEEE Conference on Dependable and Secure Computing (DSC), Edinburgh, United Kingdom: IEEE, Jun. 2022, pp. 1–10. doi: 10.1109/DSC54232.2022.9888923.
  2. 2.. S. Wiefling, P. R. Jørgensen, S. Thunem, and L. L. Iacono, “Pump Up Password Security! Evaluating and Enhancing Risk-Based Authentication on a Real-World Large-Scale Online Service”, ACM Trans. Priv. Secur., vol. 26, no. 1, pp. 1–36, Feb. 2023, doi: 10.1145/3546069.
  3. 3.. H. Tabrizchi and A. Aghasi, “Introduction to Federated Learning,” in Federated Cyber Intelligence, in SpringerBriefs in Computer Science. , Cham: Springer Nature Switzerland, 2025, pp. 1–11. doi: 10.1007/978-3-031-86592-3_1.
  4. 4.. E. Akhmetshin et al., “An intelligent federated learning boosted cyberattack detection system for Denial-Of-Wallet attack using advanced heuristic search with multimodal approaches”, Sci. Rep., vol. 15, no. 1, p. 14265, Apr. 2025, doi: 10.1038/s41598-025-96986-5.
  5. 5.. P. A. Grassi et al., “Digital identity guidelines: authentication and lifecycle management”, National Institute of Standards and Technology, Gaithersburg, MD, NIST SP 800-63b, Jun. 2017. doi: 10.6028/NIST.SP.800-63b.
  6. 6.. S. Wiefling, M. Durmuth, and L. Lo Iacono, “Verify It’s You: How Users Perceive Risk-Based Authentication”, IEEE Secur. Priv., vol. 19, no. 6, pp. 47–57, Nov. 2021, doi: 10.1109/MSEC.2021.3077954.
  7. 7.. P. Qi, D. Chiaro, and F. Piccialli, “Small models, big impact: A review on the power of lightweight Federated Learning”, Future Gener. Comput. Syst., vol. 162, p. 107484, Jan. 2025, doi: 10.1016/j.future.2024.107484.
  8. 8.. Y. Zhang et al., “A Survey of Trustworthy Federated Learning: Issues, Solutions, and Challenges”, ACM Trans. Intell. Syst. Technol., vol. 15, no. 6, pp. 1–47, Dec. 2024, doi: 10.1145/3678181.
  9. 9.. H. B. McMahan, E. Moore, D. Ramage, and S. Hampson, “Communication-Efficient Learning of Deep Networks from Decentralized Data”, Int. Conf. Artif. Intell. Stat., pp. 1273–1282.
  10. 10.. J. Sen, Ed., Data Privacy - Techniques, Applications, and Standards. IntechOpen, 2025. doi: 10.5772/intechopen.1003421.
  11. 11.. W. Liu et al., “Privacy Preservation for Federated Learning With Robust Aggregation in Edge Computing”, IEEE Internet Things J., vol. 10, no. 8, pp. 7343–7355, Apr. 2023, doi: 10.1109/JIOT.2022.3229122.
  12. 12.. T. Liu, X. Hu, H. Xu, T. Shu, and D. N. Nguyen, “High-accuracy low-cost privacy-preserving federated learning in IoT systems via adaptive perturbation”, J. Inf. Secur. Appl., vol. 70, p. 103309, Nov. 2022, doi: 10.1016/j.jisa.2022.103309.
  13. 13.. C. Mazzocca, N. Romandini, M. Colajanni, and R. Montanari, “FRAMH: A Federated Learning Risk-Based Authorization Middleware for Healthcare,” IEEE Trans. Comput. Soc. Syst., vol. 10, no. 4, pp. 1679–1690, Aug. 2023, doi: 10.1109/TCSS.2022.3210372.
  14. 14.. X. Li, M. Jiang, X. Zhang, M. Kamp, and Q. Dou, “Fedbn: Federated Learning On Non-Iid Features Via Local Batch Normalization,” ICLR 2021, 2021, [Online]. Available: https://iclr.cc/virtual/2021/poster/2846
  15. 15.. Y. Wang, Q. Shi, and T.-H. Chang, “Batch Normalization Damages Federated Learning on NON-IID Data: Analysis and Remedy,” in ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Rhodes Island, Greece: IEEE, Jun. 2023, pp. 1–5. doi: 10.1109/ICASSP49357.2023.10095399.
  16. 16.. J. Zhong, H.-Y. Chen, and W.-L. Chao, “Making Batch Normalization Great in Federated Deep Learning,” 2023, International Workshop on Federated Learning in the Age of Foundation Models in Conjunction with NeurIPS 2023. Accessed: May 16, 2025. [Online]. Available: https://openreview.net/forum?id=iKQC652XIk
  17. 17.. D. Freeman, S. Jain, M. Duermuth, B. Biggio, and G. Giacinto, “Who Are You? A Statistical Approach to Measuring User Authenticity,” in Proceedings 2016 Network and Distributed System Security Symposium, San Diego, CA: Internet Society, 2016. doi: 10.14722/ndss.2016.23240.
  18. 18.. S. Wiefling, M. Dürmuth, and L. Lo Iacono, “What’s in Score for Website Users: A Data-Driven Long-Term Study on Risk-Based Authentication Characteristics”, in Financial Cryptography and Data Security, vol. 12675, N. Borisov and C. Diaz, Eds., in Lecture Notes in Computer Science, vol. 12675. , Berlin, Heidelberg: Springer Berlin Heidelberg, 2021, pp. 361–381. doi: 10.1007/978-3-662-64331-0_19.
  19. 19.. S. Wiefling, P. R. Jørgensen, S. Thunem, and L. Lo Iacono, “Login Data Set for Risk-Based Authentication”, Zenodo, Jun. 30, 2022. doi: 10.5281/ZENODO.6782155.
  20. 20.. P. M. Sánchez Sánchez, A. Huertas Celdrán, N. Xie, G. Bovet, G. Martínez Pérez, and B. Stiller, “FederatedTrust: A solution for trustworthy federated learning”, Future Gener. Comput. Syst., vol. 152, pp. 83–98, Mar. 2024, doi: 10.1016/j.future.2023.10.013.
  21. 21.. M. S. Jere, T. Farnan, and F. Koushanfar, “A Taxonomy of Attacks on Federated Learning”, IEEE Secur. Priv., vol. 19, no. 2, pp. 20–28, Mar. 2021, doi: 10.1109/MSEC.2020.3039941.
  22. 22.. R. Aziz, S. Banerjee, S. Bouzefrane, and T. Le Vinh, “Exploring Homomorphic Encryption and Differential Privacy Techniques towards Secure Federated Learning Paradigm”, Future Internet, vol. 15, no. 9, p. 310, Sep. 2023, doi: 10.3390/fi15090310.
  23. 23.. M. Firdaus, H. T. Larasati, and K.-H. Rhee, “A Secure Federated Learning Framework using Blockchain and Differential Privacy”, in 2022 IEEE 9th International Conference on Cyber Security and Cloud Computing (CSCloud)/2022 IEEE 8th International Conference on Edge Computing and Scalable Cloud (EdgeCom), Xi’an, China: IEEE, Jun. 2022, pp. 18–23. doi: 10.1109/CSCloud-EdgeCom54986.2022.00013.
  24. 24.. O. Ibrahim Khalaf et al., “Federated learning with hybrid differential privacy for secure and reliable”, Secur. Priv., vol. 7, no. 3, p. e374, May 2024, doi: 10.1002/spy2.374.
  25. 25.. T. Li, A. K. Sahu, M. Zaheer, M. Sanjabi, A. Talwalkar, and V. Smith, “Federated Optimization in Heterogeneous Networks”, Proc. Mach. Learn. Syst., vol. 2, pp. 429–450, 2022.
  26. 26.. Y. Khazaeni, “Federated Learning With Matched Averaging”, Sep. 18, 2023. doi: 10.1287/fa7d97f0-ba96-4959-a51b-cf12b34c6d20.
  27. 27.. J. Li, “Exploration and Analysis of FedAvg, FedProx, FedMA, MOON, and FedProc Algorithms in Federated Learning”, in Proceedings of the 1st International Conference on Data Science and Engineering, Singapore, Singapore: SCITEPRESS - Science and Technology Publications, 2024, pp. 172–176. doi: 10.5220/0012836400004547.
  28. 28.. M. Cheng et al., “MFTE: Multifactor and fuzzy trust evaluation for federated learning in mobile edge computing”, Comput. Netw., vol. 265, p. 111340, Jun. 2025, doi: 10.1016/j.comnet.2025.111340.
  29. 29.. W. Jiang et al., “Fuzzy ensemble-based federated learning for EEG-based emotion recognition in Internet of Medical Things”, J. Ind. Inf. Integr., vol. 44, p. 100789, Mar. 2025, doi: 10.1016/j.jii.2025.100789.
  30. 30.. A. Mabrouk, R. P. Díaz Redondo, M. Abd Elaziz, and M. Kayed, “Ensemble Federated Learning: An approach for collaborative pneumonia diagnosis”, Appl. Soft Comput., vol. 144, p. 110500, Sep. 2023, doi: 10.1016/j.asoc.2023.110500.
  31. 31.. P. Oza and V. M. Patel, “Federated Learning-based Active Authentication on Mobile Devices”, in 2021 IEEE International Joint Conference on Biometrics (IJCB), Shenzhen, China: IEEE, Aug. 2021, pp. 1–8. doi: 10.1109/IJCB52358.2021.9484338.
  32. 32.. M. Wazzeh et al., “CRSFL: Cluster-based Resource-aware Split Federated Learning for Continuous Authentication”, J. Netw. Comput. Appl., vol. 231, p. 103987, Nov. 2024, doi: 10.1016/j.jnca.2024.103987.
  33. 33.. V. V. Thang, D. V. Pantiukhin, B. T. T. Quyen, and V. V. Vu, “A review of neural networks for rare intrusions detection in wireless networks”, J. Sci. Technol. Inf. Secur., vol. 3, no. 20, pp. 23–34, Dec. 2023, doi: 10.54654/isj.v3i20.984.
  34. 34.. Y. Chen, Y. Gui, H. Lin, W. Gan, and Y. Wu, “Federated Learning Attacks and Defenses: A Survey”, in 2022 IEEE International Conference on Big Data (Big Data), Osaka, Japan: IEEE, Dec. 2022, pp. 4256–4265. doi: 10.1109/BigData55660.2022.10020431.
  35. 35.. D. Chen, X. Jiang, H. Zhong, and J. Cui, “Building Trusted Federated Learning: Key Technologies and Challenges”, J. Sens. Actuator Netw., vol. 12, no. 1, p. 13, Feb. 2023, doi: 10.3390/jsan12010013.
  36. 36.. H. Fereidouni, “Enhancing Risk-Based Authentication with Federated Learning: Introducing the F-RBA Framework”, Univ. Montr., vol. abs/2412.12324, 2024, [Online]. Available: https://umontreal.scholaris.ca/items/589a3192-6edf-4566-95ea-45cc3d8f2235.

Bài viết liên quan