مقاله تقویت تشخیص نفوذ در اینترنت وسایل نقلیه از طریق یادگیری فدرال

چکیده

Federated learning is a technique of decentralized machine learning. that allows multiple parties to collaborate and learn a shared model without sharing their raw data. Our paper proposes a federated learning framework for intrusion detection in Internet of Vehicles (IOVs) using the CIC-IDS 2017 dataset. The proposed framework employs SMOTE for handling class imbalance, outlier detection for identifying and removing abnormal observations, and hyperparameter tuning to optimize the model’s performance. The authors evaluated the proposed framework using various performance metrics and demonstrated its effectiveness in detecting intrusions with other datasets (KDD-Cup 99 and UNSW- NB-15) and conventional classifiers. Furthermore, the proposed framework can protect sensitive data while achieving high intrusion detection performance.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال تکنیکی از یادگیری ماشین غیرمتمرکز است.این امر به چندین طرف اجازه می دهد تا بدون به اشتراک گذاشتن داده های خام خود ، یک مدل مشترک را همکاری و یاد بگیرند.مقاله ما یک چارچوب یادگیری فدرال برای تشخیص نفوذ در اینترنت وسایل نقلیه (IOV) را با استفاده از مجموعه داده CIC-IDS 2017 پیشنهاد می کند.چارچوب پیشنهادی از SMOTE برای دستیابی به عدم تعادل کلاس ، تشخیص دور برای شناسایی و از بین بردن مشاهدات غیر طبیعی و تنظیم هایپرپارامتر برای بهینه سازی عملکرد مدل استفاده می کند.نویسندگان چارچوب پیشنهادی را با استفاده از معیارهای مختلف عملکرد ارزیابی کردند و اثربخشی آن را در تشخیص نفوذ با سایر مجموعه داده ها (KDD-CUP 99 و UNSW-NB-15) و طبقه بندی کننده های معمولی نشان دادند.علاوه بر این ، چارچوب پیشنهادی می تواند ضمن دستیابی به عملکرد تشخیص نفوذ بالا ، از داده های حساس محافظت کند.