ترجمه فارسی مقاله FedMade: یادگیری فدرال قوی برای تشخیص نفوذ در شبکه های IoT با استفاده از یک روش جمع آوری پویا

چکیده

The rapid proliferation of Internet of Things (IoT) devices across multiple sectors has escalated serious network security concerns. This has prompted ongoing research in Machine Learning (ML)-based Intrusion Detection Systems (IDSs) for cyber-attack classification. Traditional ML models require data transmission from IoT devices to a centralized server for traffic analysis, raising severe privacy concerns. To address this issue, researchers have studied Federated Learning (FL)-based IDSs that train models across IoT devices while keeping their data localized. However, the heterogeneity of data, stemming from distinct vulnerabilities of devices and complexity of attack vectors, poses a significant challenge to the effectiveness of FL models. While current research focuses on adapting various ML models within the FL framework, they fail to effectively address the issue of attack class imbalance among devices, which significantly degrades the classification accuracy of minority attacks. To overcome this challenge, we introduce FedMADE, a novel dynamic aggregation method, which clusters devices by their traffic patterns and aggregates local models based on their contributions towards overall performance. We evaluate FedMADE against other FL algorithms designed for non-IID data and observe up to 71.07% improvement in minority attack classification accuracy. We further show that FedMADE is robust to poisoning attacks and incurs only a 4.7% (5.03 seconds) latency overhead in each communication round compared to FedAvg, without increasing the computational load of IoT devices.

چکیده به فارسی (ترجمه ماشینی)

گسترش سریع دستگاه های اینترنت اشیاء (IoT) در بخش های مختلف ، نگرانی های جدی امنیت شبکه را افزایش داده است.این امر باعث شده است تا تحقیقات مداوم در سیستم های تشخیص نفوذ مبتنی بر ماشین (ML) (IDSS) برای طبقه بندی حملات سایبری انجام شود.مدل های سنتی ML نیاز به انتقال داده از دستگاه های IoT به یک سرور متمرکز برای تجزیه و تحلیل ترافیک دارند و نگرانی های شدید حریم خصوصی را افزایش می دهند.برای پرداختن به این موضوع ، محققان IDS مبتنی بر یادگیری فدرال (FL) را که در حالی که داده های خود را بومی سازی می کنند ، در دستگاه های IoT آموزش می دهند.با این حال ، ناهمگونی داده ها ، ناشی از آسیب پذیری های متمایز دستگاه ها و پیچیدگی بردارهای حمله ، یک چالش مهم برای اثربخشی مدل های FL است.در حالی که تحقیقات فعلی بر تطبیق مدل های مختلف ML در چارچوب FL متمرکز است ، آنها نمی توانند به طور مؤثر مسئله عدم تعادل کلاس حمله را در بین دستگاه ها برطرف کنند ، که به طور قابل توجهی دقت طبقه بندی حملات اقلیت را کاهش می دهد.برای غلبه بر این چالش ، ما FedMade را معرفی می کنیم ، یک روش جمع آوری پویا جدید ، که خوشه ها دستگاه ها را با الگوهای ترافیکی آنها قرار می دهند و مدل های محلی را بر اساس سهم آنها در عملکرد کلی جمع می کنند.ما FedMade را در برابر سایر الگوریتم های FL که برای داده های غیر IID طراحی شده اند ارزیابی می کنیم و تا 71.07 ٪ بهبود در دقت طبقه بندی حمله اقلیت را مشاهده می کنیم.ما همچنین نشان می دهیم که Fedmade نسبت به حملات مسمومیت قوی است و تنها در هر دور ارتباطی در مقایسه با FEDAVG ، بدون افزایش بار محاسباتی دستگاه های IoT ، در هر دور ارتباطی 4.7 ٪ (5.03 ثانیه) در هر دور ارتباطی متحمل می شود.