ترجمه فارسی مقاله یادگیری فدرال در محیط‌های متخاصم: طراحی بستر آزمایش و مقاومت در برابر مسمومیت در امنیت سایبری

چکیده

This paper presents the design and implementation of a Federated Learning (FL) testbed, focusing on its application in cybersecurity and evaluating its resilience against poisoning attacks. Federated Learning allows multiple clients to collaboratively train a global model while keeping their data decentralized, addressing critical needs for data privacy and security, particularly in sensitive fields like cybersecurity. Our testbed, built using the Flower framework, facilitates experimentation with various FL frameworks, assessing their performance, scalability, and ease of integration. Through a case study on federated intrusion detection systems, we demonstrate the testbed’s capabilities in detecting anomalies and securing critical infrastructure without exposing sensitive network data. Comprehensive poisoning tests, targeting both model and data integrity, evaluate the system’s robustness under adversarial conditions. Our results show that while federated learning enhances data privacy and distributed learning, it remains vulnerable to poisoning attacks, which must be mitigated to ensure its reliability in real-world applications.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله طراحی و اجرای یک بستر یادگیری فدرال (FL) با تمرکز بر کاربرد آن در امنیت سایبری و ارزیابی مقاومت آن در برابر حملات مسمومیت ارائه شده است.یادگیری فدرال به چندین مشتری اجازه می دهد تا ضمن نگه داشتن داده های خود ، به طور مشترک یک مدل جهانی را آموزش دهند و نیازهای اساسی برای حفظ حریم خصوصی و امنیت داده ها را برطرف کنند ، به ویژه در زمینه های حساس مانند امنیت سایبری.بستر ما ، ساخته شده با استفاده از چارچوب گل ، آزمایش را با چارچوب های مختلف FL تسهیل می کند و عملکرد ، مقیاس پذیری و سهولت ادغام آنها را ارزیابی می کند.از طریق یک مطالعه موردی در مورد سیستم های تشخیص نفوذ فدرال ، ما توانایی های آزمایش را در تشخیص ناهنجاری ها و تأمین زیرساخت های مهم بدون افشای داده های شبکه حساس نشان می دهیم.آزمایش های مسمومیت جامع ، هدف قرار دادن هم مدل و هم یکپارچگی داده ها ، استحکام سیستم را در شرایط متناقض ارزیابی می کند.نتایج ما نشان می دهد که در حالی که یادگیری فدراسیون باعث افزایش حریم خصوصی داده ها و یادگیری توزیع می شود ، در برابر حملات مسمومیت آسیب پذیر است ، که باید برای اطمینان از قابلیت اطمینان آن در برنامه های دنیای واقعی کاهش یابد.