FedSA: Arrefecimento Simulado Federado para a Aceleração da Detecção de Intrusão em Ambientes Colaborativos

  • Helio N. C. Neto UFF
  • Diogo M. F. Mattos UFF
  • Natalia C. Fernandes UFF

Resumo


Sistemas de detecção de intrusão (IDS) baseados em aprendizado federado treinam um modelo global com a colaboração de participantes que treinam modelos locais de aprendizado de máquina. Desafios de otimização implícitos ao aprendizado federado são relacionados à heterogeneidade e ao desbalanceamento da distribuição dos dados entre participantes. Este artigo propõe a meta-heurística Arrefecimento Simulado Federado (Federated Simulated Annealing - FedSA), que visa selecionar adaptativamente os hiperparâmetros e a seleção de participantes para a agregação de rodadas globais no aprendizado federado. A otimização da seleção de participantes e a definição adaptava de hiperparâmetros do Arrefecimento Simulado Federado reduzem o número de iterações até obter a convergência do modelo, promovendo, assim, uma disseminação rápida de novos conhecimentos extraídos dos modelos locais. A avaliação da proposta em um cenário de sistema de detecção de intrusão federado mostra que o modelo global usando do FedSA converge em apenas 10 iterações globais, enquanto o algoritmo tradicional necessita de 20 iterações para que ambos alcancem acurácia de 99,8% na detecção de ataques.

Referências

Andreoni Lopez, M., Mattos, D. M., Duarte, O. C. M. e Pujolle, G. (2019). Toward a monitoring and threat detection system based on stream processing as a virtual network function for big data. Concurrency and Computation: Practice and Experience, 31(20):e5344.

Brendan McMahan, H., Moore, E., Ramage, D., Hampson, S. e Agüera y Arcas, B. (2017). Communication-efcient learning of deep networks from decentralized data. Em Proceedings of the 20th International Conference on Articial Intelligence and Statistics, AISTATS 2017, volume 54.

Corinzia, L. e Buhmann, J. M. (2019). Variational federated multi-task learning. arXiv preprint arXiv:1906.06268.

Cunha Neto, H. N., Mattos, D. M. F. e Fernandes, N. C. (2020). Privacidade do usuário em aprendizado colaborativo: Federated learning, da teoria à prática. Minicursos do Simpósio Brasileiro de Segurança de Informação e de Sistemas Computacionais SBSeg, 20:142–195.

de Souza, L. A. C., Antonio F. Rebello, G., Camilo, G. F., Guimarães, L. C. B. e Duarte, O. C. M. B. (2020). Dfedforest: Decentralized federated forest. Em 2020 IEEE International Conference on Blockchain (Blockchain), p. 90–97.

Guimarães, L. C. B., Rebello, G. A. F., Fernandes, F. S., Camilo, G. F., de Souza, L. A. C., dos Santos, D. C., de Oliveira, L. G. C. M. e Duarte, O. C. M. B. (2020). Temiant: Threat monitoring and intelligent data analytics of network trafc. Em 2020 4th Conference on Cloud and Internet of Things (CIoT), p. 9–16.

Lim, W. Y. B., Luong, N. C., Hoang, D. T., Jiao, Y., Liang, Y. C., Yang, Q., Niyato, D. e Miao, C. (2020). Federated learning in mobile edge networks: A comprehensive survey. IEEE Communications Surveys Tutorials.

Liu, H. e Lang, B. (2019). Machine learning and deep learning methods for intrusion detection systems: A survey. applied sciences, 9(20):4396.

Nguyen, T. D., Marchal, S., Miettinen, M., Fereidooni, H., Asokan, N. e Sadeghi, A. (2019). D¨Iot: A federated self-learning anomaly detection system for iot. Em 2019 IEEE 39th International Conference on Distributed Computing Systems (ICDCS), p. 756–767.

Preuveneers, D., Rimmer, V., Tsingenopoulos, I., Spooren, J., Joosen, W. e Ilie-Zudor, E. (2018). Chained anomaly detection models for federated learning: An intrusion detection case study. Applied Sciences, 8(12):2663.

Reis, L. H. A., Murillo Piedrahita, A., Rueda, S., Fernandes, N. C., Medeiros, D. S. V., de Amorim, M. D. e Mattos, D. M. F. (2020). Unsupervised and incremental learning orchestration for cyber-physical security. Transactions on Emerging Telecommunications Technologies, 31(7):e4011.

Sharafaldin, I., Lashkari, A. H., Hakak, S. e Ghorbani, A. A. (2019). Developing realistic distributed denial of service (ddos) attack dataset and taxonomy. Em 2019 International Carnahan Conference on Security Technology (ICCST), p. 1–8.

Silva, J. V. V., Lopez, M. A. e Mattos, D. M. F. (2020). Attackers are not stealthy: Statistical analysis of the well-known and infamous kdd network security dataset. Em 2020 4th Conference on Cloud and Internet of Things (CIoT), p. 1–8.

Smith, V., Chiang, C.-K., Sanjabi, M. e Talwalkar, A. S. (2017). Federated multi-task learning. Em Advances in Neural Information Processing Systems, p. 4424–4434.

Van Laarhoven, P. J. e Aarts, E. H. (1987). Simulated annealing. Em Simulated annealing: Theory and applications, p. 7–15. Springer.

Viegas, E., Santin, A., Bessani, A. e Neves, N. (2019). Bigow: Real-time and reliable anomaly-based intrusion detection for high-speed networks. Future Generation Computer Systems, 93:473 – 485.

Wang, S., Tuor, T., Salonidis, T., Leung, K. K., Makaya, C., He, T. e Chan, K. (2019). Adaptive Federated Learning in Resource Constrained Edge Computing Systems. IEEE Journal on Selected Areas in Communications, 37(6):1205–1221.
Publicado
16/08/2021
Como Citar

Selecione um Formato
C. NETO, Helio N.; MATTOS, Diogo M. F.; FERNANDES, Natalia C.. FedSA: Arrefecimento Simulado Federado para a Aceleração da Detecção de Intrusão em Ambientes Colaborativos. In: SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 39. , 2021, Uberlândia. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 280-293. ISSN 2177-9384.