Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin

(Journal of Science and Technology on Information security) ISSN 2615-9570

Bài viết

Phát hiện xâm nhập bằng cách sử dụng học liên kết trong môi trường dữ liệu không phải IID

DOI: 10.54654/isj.v3i23.1061
Từ khóaPhát hiện bất thườnghọc sâuhọc liên kếthọc phân tánhệ thống phát hiện xâm nhập

Tóm tắt

Hệ thống phát hiện xâm nhập (IDS) đóng vai trò quan trọng trong việc bảo vệ hạ tầng mạng bằng cách phát hiện các mối đe dọa. Các phương pháp dựa trên học máy (ML) đã nâng cao hiệu quả của IDS. Tuy nhiên, điều này đã gây ra lo ngại về quyền riêng tư do các phương pháp IDS dựa trên ML yêu cầu dữ liệu tập trung. Để giải quyết vấn đề này, Học liên kết (FL) đã được áp dụng trong IDS, cho phép các mô hình ML được đào tạo trên các thiết bị/khách hàng phân tán mà không cần chia sẻ dữ liệu thô. Tuy nhiên, FL gặp khó khăn với dữ liệu không độc lập và đồng nhất (non-IID), dẫn đến hiệu suất của các mô hình phát hiện xâm nhập bị giảm. Bài báo này giới thiệu việc sử dụng hàm mất mát giúp học các biểu diễn cục bộ gọn nhẹ trên mỗi khách hàng và một mô hình.

Lượt tải theo tháng

0316112/2402/2503/2504/2505/2506/2507/2508/2509/2510/2511/2512/2501/2602/2603/2604/2605/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Hà Xuân Tùng, Trần Linh Trang, Võ Khương Lĩnh (2024). Phát hiện xâm nhập bằng cách sử dụng học liên kết trong môi trường dữ liệu không phải IID. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 3(23), 53-61. https://doi.org/10.54654/isj.v3i23.1061

Tài liệu tham khảo

  1. 1.D. Musleh, M. Alotaibi, F. Al-Haidari, A. Rahman, and R. Mohammad, “Intrusion detection system using feature extraction with machine learning algorithms in IoT,” in Journal of Sensor and Actuator Networks, vol. 12, no. 2, pp. 1–19, 2023. doi: https://doi.org/10.3390/jsan12020001.
  2. 2.P. Kairouz, H. B. McMahan, B. Avent, A. Bellet, M. Bennis, A. N. Bhagoji, K. Bonawitz, Z. Charles, G. Cormode, R. Cummings, et al., “Advances and open problems in federated learning,” arXiv preprint arXiv:1912.04977, 2019. doi: https://doi.org/10.48550/arXiv.1912.04977.
  3. 3.A. Fallah, A. Mokhtari, and A. Ozdaglar, “Personalized federated learning with theoretical guarantees: A model-agnostic meta-learning approach,” in Advances in Neural Information Processing Systems, H. Larochelle, M. Ranzato, R. Hadsell, M. Balcan, and H. Lin, Eds, vol. 33, Curran Associates, Inc., 2020, pp. 3557–3568.
  4. 4.C. Finn, P. Abbeel, and S. Levine, “Model-agnostic meta-learning for fast adaptation of deep networks,” arXiv preprint arXiv:1703.03400, 2017. doi: https://doi.org/10.48550/arXiv.1703.03400.
  5. 5.P. P. Liang, T. Liu, L. Ziyin, N. B. Allen, R. P. Auerbach, D. Brent, R. Salakhutdinov, and L.-P. Morency, “Think locally, act globally: Federated learning with local and global representations,” arXiv preprint arXiv:2001.01523, 2020. doi: https://doi.org/10.48550/arXiv.2001.01523.
  6. 6.B. McMahan, E. Moore, D. Ramage, S. Hampson, and B. Aguera y Arcas, “Communication-efficient learning of deep networks from decentralized data,” in Artificial Intelligence and Statistics, 2017, pp. 1273–1282.
  7. 7.M. Bhavsar, Y. Bekele, K. Roy, J. Kelly, and D. Limbrick, “FL-IDS: Federated learning-based intrusion detection system using edge devices for transportation IoT,” in IEEE Access, vol. PP, pp. 1–1, Jan. 2024. doi: https://doi.org/10.1109/ACCESS.2024.1234567.
  8. 8.C. You, K. Guo, G. Feng, P. Yang, and T. Q. S. Quek, “Automated federated learning in mobile-edge networks—fast adaptation and convergence,” in IEEE Internet of Things Journal, vol. 10, no. 15, pp. 13571–13586, Aug. 2023. doi: https://doi.org/10.1109/JIOT.2023.3262664.
  9. 9.Y. Chen, X. Qin, J. Wang, C. Yu, and W. Gao, “Fedhealth: A federated transfer learning framework for wearable healthcare,” in IEEE Intelligent Systems, vol. 35, pp. 83–93, 2020. doi: https://doi.org/10.1109/MIS.2020.2994885.
  10. 10.L. Collins, H. Hassani, A. Mokhtari, and S. Shakkottai, “Exploiting shared representations for personalized federated learning,” in International Conference on Machine Learning, 2021, pp. 2089–2098.
  11. 11.L. Yi, G. Wang, X. Liu, Z. Shi, and H. Yu, “FedGH: Heterogeneous federated learning with generalized global header,” arXiv preprint arXiv:2303.13137, 2023. doi: doi.org/10.48550/arXiv.2303.13137.
  12. 12.Q. Li, B. He, and D. Song, “Model-contrastive federated learning,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), June 2021, pp. 10713–10722. doi: https://doi.org/10.1109/CVPR.2021.01072.
  13. 13.G. Legate, L. Caccia, and E. Belilovsky, “Re-weighted softmax cross-entropy to control forgetting in federated learning,” arXiv preprint arXiv:2301.12345, 2023. doi: https://doi.org/10.48550/arXiv.2301.12345.
  14. 14.J. Kaliappan, T. Revathi, and K. Sundararajan, “Intrusion detection using artificial neural networks with best set of features”, The International Arab Journal of Information Technology, vol. 12, no. 6A, pp.728-734, Jan. 2015.
  15. 15.J. Wang, Q. Liu, H. Liang, G. Joshi, and H. V. Poor, “Tackling the objective inconsistency problem in heterogeneous federated optimization,” in Advances in Neural Information Processing Systems, vol. 33, pp. 7611–7623, 2020.
  16. 16.B. Reis, E. Maia, and I. Praça, “Selection and performance analysis of CICIDS2017 features importance,” in Selection and Performance Analysis of CICIDS2017 Features Importance, pp. 56–71, Apr. 2020.
  17. 17.M. G. Arivazhagan, V. Aggarwal, A. K. Singh, and S. Choudhary, “Federated learning with personalization layers,” arXiv preprint arXiv:1912.00818, 2019. doi: https://doi.org/10.48550/arXiv.1912.00818.
  18. 18.J. Konečný, H. B. McMahan, F. X. Yu, P. Richtarik, A. T. Suresh, and D. Bacon, “Federated Learning: Strategies for Improving Communication Efficiency,” in NIPS Workshop on Private Multi-Party Machine Learning, 2016. doi: https://doi.org/10.48550/arXiv.1610.05492.
  19. 19.T. N. Quy, N. T. Tung, D. Q. Trung, and D. H. Viet, “Convolutional neural network based sidechannel attacks”, Journal of Science and Technology on Information Security, vol. 1, no. 15, pp. 26-37, Jun. 2022. doi: https://doi.org/10.54654/isj.v1i15.834.

Bài viết liên quan

Phát hiện xâm nhập bằng cách sử dụng học liên kết trong môi trường dữ liệu không phải IID | Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin