GIẢM TÁC ĐỘNG CỦA TẤN CÔNG ĐẦU ĐỘC VÀO LƯỢC ĐỒ HỌC LIÊN KẾT TRONG PHÁT HIỆN BẤT THƯỜNG IoTs VỚI KỸ THUẬT TỔNG HỢP CÓ CHÚ Ý

Tóm tắt

Học liên kết là một phương pháp bảo vệ quyền riêng tư dữ liệu khi huấn luyện mạng nơ-ron sâu trên các thiết bị phi tập trung bằng cách không chia sẻ dữ liệu huấn luyện. Do đó, học liên kết đã được áp dụng phổ biến trong các lĩnh vực như phát hiện bất thường trong mạng Internet vạn vật (IoT). Tuy nhiên, mạng hoặc thiết bị IoT có khả năng tự bảo vệ hạn chế, dẫn đến học liên kết dễ bị tấn công đầu độc dữ liệu. Để giải quyết thách thức này, một lược đồ học liên kết mới được thiết kế để chống lại các cuộc tấn công đầu độc dữ liệu. Phương pháp của chúng tôi, được gọi là Học liên kết sử dụng kỹ thuật chú ý trong tác vụ Tổng hợp (FedAA), sử dụng các mô hình AutoEncoder (AE) để phát hiện bất thường cục bộ trong các mạng IoT. Trong FedAA, việc tổng hợp mô hình toàn cục từ các mô hình cục bộ được thực hiện bằng phương pháp tổng hợp mới, được gọi là Tổng hợp có chú ý (AA). Phương pháp này được thiết kế để giảm thiểu tác động của các cuộc tấn công đầu độc dữ liệu, thường dẫn đến giá trị cao của các hàm mất mát trong các mô hình cục bộ. Chính xác hơn, các mô hình cục bộ có giá trị mất mát cao được gán trọng số chú ý thấp hơn khi đóng góp vào tổng hợp mô hình toàn cục và ngược lại. Do đó, phương pháp AA tăng hiệu quả của FedAA trước các cuộc tấn công đầu độc dữ liệu. Các thí nghiệm về phát hiện bất thường IoT được thực hiện trên ba tập dữ liệu, đó là N-BaIoT, NSL-KDD và UNSW. Kết quả cho thấy FedAA tốt hơn các lược đồ học liên kết khác trong việc giảm thiểu các cuộc tấn công đầu độc dữ liệu.