FedSBS: Seleção de Participantes Baseado em Pontuação para Aprendizado Federado no Cenário de Detecção de Intrusão

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

Resumo


Sistemas de Detecção de Intrusão baseados em Aprendizado Federado apresentam desafios para a segurança cibernética, incluindo a gestão de dados desbalanceados e interferência de participantes maliciosos. O Aprendizado Federado é uma abordagem colaborativa de aprendizado de máquina e permite que participantes treinem modelos com seus dados locais, preservando a privacidade. Os modelos locais são agregados em um modelo global. Contudo, participantes maliciosos podem comprometer o modelo global com dados aleatórios ou enviesados. Este artigo propõe o método FedSBS para a seleção de participantes. O FedSBS visa pontuar a contribuição de cada participante e, então, proceder com a seleção de participantes. O método busca minimizar os riscos representados por participantes maliciosas concomitantemente com a otimização do desempenho do modelo global. A proposta demonstra desempenho superior quando comparada a outros métodos de seleção de participantes, atingindo 80% da métrica F1, 90% de acurácia e 69% de precisão no conjunto de testes com presença de participantes maliciosos. FedSBS mantém o desempenho do modelo global mesmo no cenário com 60% de participantes maliciosos.

Referências

Agrawal, S., Sarkar, S., Aouedi, O., Yenduri, G., Piamrat, K., Alazab, M., Bhattacharya, S., Maddikunta, P. K. R. e Gadekallu, T. R. (2022). Federated learning for intrusion detection system: Concepts, challenges and future directions. Computer Communications, 195:346–361.

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.

Azhagusundari, B., Thanamani, A. S. et al. (2013). Feature selection based on information gain. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 2(2):18–21.

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

Cunha Neto, H. N., Hribar, J., Dusparic, I., Mattos, D. M. F. e Fernandes, N. C. (2023). A survey on securing federated learning: Analysis of applications, attacks, challenges, and trends. IEEE Access, 11:41928–41953.

Cunha Neto, H. N., Mattos, D. M. e Fernandes, N. C. (2021). Fedsa: Arrefecimento simulado federado para a aceleraçao da detecçao de intrusao em ambientes colaborativos. Em Anais do XXXIX Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, p. 280–293. SBC.

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.

Kim, G., Kim, J. e Han, B. (2022). Communication-efficient federated learning with acceleration of global momentum. arXiv preprint arXiv:2201.03172.

Lai, F., Zhu, X., Madhyastha, H. V. e Chowdhury, M. (2021). Oort: Efficient federated learning via guided participant selection. Em 15th {USENIX} Symposium on Operating Systems Design and Implementation ({OSDI} 21), p. 19–35.

Lee, W. (2022). Reward-based participant selection for improving federated reinforcement learning. ICT Express.

Momma, M. e Bennett, K. P. (2002). A pattern search method for model selection of support vector regression. Em Proceedings of the 2002 SIAM International Conference on Data Mining, p. 261–274. SIAM.

Nishio, T. e Yonetani, R. (2019). Client selection for federated learning with heterogeneous resources in mobile edge. Em ICC 2019 2019 IEEE International Conference on Communications (ICC), p. 1–7.

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.

Song, Z., Sun, H., Yang, H. H., Wang, X., Zhang, Y. e Quek, T. Q. (2021). Reputationbased federated learning for secure wireless networks. IEEE Internet of Things Journal, 9(2):1212–1226.

Wang, Y. e Kantarci, B. (2020). A novel reputation-aware client selection scheme for federated learning within mobile environments. Em 2020 IEEE 25th International Workshop on Computer Aided Modeling and Design of Communication Links and Networks (CAMAD), p. 1–6. IEEE.

Yoshida, N., Nishio, T., Morikura, M., Yamamoto, K. e Yonetani, R. (2020). Hybrid-fl for wireless networks: Cooperative learning mechanism using non-iid data. Em ICC 2020-2020 IEEE International Conference on Communications (ICC), p. 1–7. IEEE.
Publicado
18/09/2023
CUNHA NETO, Helio N.; FERNANDES, Natalia C.; MATTOS, Diogo M. F.. FedSBS: Seleção de Participantes Baseado em Pontuação para Aprendizado Federado no Cenário de Detecção de Intrusão. In: SIMPÓSIO BRASILEIRO DE SEGURANÇA DA INFORMAÇÃO E DE SISTEMAS COMPUTACIONAIS (SBSEG), 23. , 2023, Juiz de Fora/MG. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 97-110. DOI: https://doi.org/10.5753/sbseg.2023.233639.