Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

WeiDetect: Weibull Distribution-Based Defense against Poisoning Attacks in Federated Learning for Network Intrusion Detection Systems

Created by
  • Haebom

저자

Sameera K. M., Vinod P., Anderson Rocha, Rafidha Rehiman K. A., Mauro Conti

개요

본 논문은 데이터 확장 시대의 데이터 프라이버시 문제와 IoT 기기 확산으로 인한 사이버 보안 위협에 대응하기 위해, 연합 학습(FL) 기반의 네트워크 침입 탐지 시스템(NIDS)을 제안합니다. 기존 FL 시스템의 적대적 공격 취약성과 비균질적인 데이터 분포 문제를 해결하고자, 두 단계의 서버측 방어 메커니즘인 WeiDetect를 제시합니다. WeiDetect는 검증 데이터셋을 이용한 검증 점수 생성 및 Weibull 분포 분석을 통해 악성 참여자를 식별하고 제거합니다. CIC-Darknet2020 및 CSE-CIC-IDS2018 데이터셋을 사용한 실험 결과, WeiDetect는 기존 방어 기법보다 우수한 성능을 보이며, 목표 클래스 재현율을 최대 70% 향상시키고 전역 모델의 F1 점수를 1%~14% 향상시켰습니다.

시사점, 한계점

•
시사점:
◦
연합 학습 기반 NIDS의 보안성 향상에 기여하는 새로운 방어 메커니즘 제시.
◦
Weibull 분포를 활용한 악성 참여자 탐지의 효과성 검증.
◦
비균질적인 데이터 분포 환경에서도 우수한 성능을 보임.
◦
기존 방어 기법 대비 향상된 성능(목표 클래스 재현율 및 F1 점수).
•
한계점:
◦
WeiDetect의 성능이 특정 데이터셋과 공격 유형에 의존할 가능성 존재.
◦
다양한 유형의 적대적 공격에 대한 추가적인 평가 필요.
◦
서버측 방어 메커니즘이므로, 클라이언트측 공격에 대한 취약성 여부 추가 연구 필요.
◦
실제 환경 적용 시 발생할 수 있는 성능 저하 및 자원 소모에 대한 추가적인 분석 필요.
👍
Made with Slashpage