Öz
Endüstriyel IoT ağlarında veri gizliliği nedeniyle merkezi saldırı tespit modellerinin eğitilmesi zordur. Bu çalışmada, cihaz verilerini paylaşmadan ortak bir model eğiten federe öğrenme tabanlı bir saldırı tespit sistemi önerilmiştir. LSTM tabanlı yerel modeller FedAvg algoritması ile birleştirilmiş, istemciler arası veri heterojenliği için uyarlanabilir ağırlıklandırma geliştirilmiştir. Edge-IIoTset veri kümesinde yapılan deneylerde önerilen yöntem %97,3 doğruluğa ulaşmış ve merkezi modele göre yalnızca %0,8 performans kaybıyla iletişim maliyetini %64 azaltmıştır.
A Federated Learning-Based Intrusion Detection System for the Industrial Internet of Things
Training centralised intrusion detection models in industrial IoT networks is difficult because of data privacy constraints. This study proposes a federated learning-based intrusion detection system that trains a shared model without sharing device data. LSTM-based local models are aggregated with FedAvg, and an adaptive weighting scheme is developed for data heterogeneity across clients. In experiments on the Edge-IIoTset dataset, the proposed method reached 97.3% accuracy and reduced communication cost by 64% with only a 0.8% performance loss compared with the centralised model.
Tam Metin
Beyanlar
- Etik Kurul Onayı
- This study does not require ethics committee approval.
- Çıkar Çatışması
- The authors declare no conflict of interest.
Kaynakça 7
- McMahan, B., Moore, E., Ramage, D., Hampson, S., & Arcas, B. A. y. (2017). Communication-efficient learning of deep networks from decentralized data. In Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (pp. 1273–1282).
- Gubbi, J., Buyya, R., Marusic, S., & Palaniswami, M. (2013). Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems, 29(7), 1645–1660. https://doi.org/10.1016/j.future.2013.01.010
- Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
- LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
- Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357. https://doi.org/10.1613/jair.953
- Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. In International Conference on Learning Representations.
- Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(1), 1929–1958.
Atıf Göster
Lisans
© 2024 Tarık Hasanović, Mehmet Ali Durmaz. Bu makale, orijinal eser ve kaynağına uygun atıf yapılması koşuluyla her türlü ortamda sınırsız kullanım, dağıtım ve çoğaltmaya izin veren CC BY 4.0 lisansı altında dağıtılmaktadır. Lisans metni