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 및 사이버 보안 문제 해결을 위해 Federated Learning(FL) 기반의 Network Intrusion Detection System(NIDS)을 제안합니다. 기존 NIDS의 한계점과 FL의 취약점(적대적 공격, 비균질 데이터 분포)을 지적하며, 악성 참여자를 탐지하는 서버측 방어 메커니즘인 WeiDetect를 제시합니다. WeiDetect는 검증 데이터셋을 활용한 모델 검증 점수를 Weibull 분포를 이용하여 분석하여 악성 모델을 식별하고 제거하는 두 단계 방식입니다. CIC-Darknet2020과 CSE-CIC-IDS2018 데이터셋을 사용한 실험 결과, 기존 방어 기법보다 우수한 성능(최대 70%의 목표 클래스 재현율 향상, 전역 모델 F1 점수 1%~14% 향상)을 보임을 확인했습니다.

시사점, 한계점

•
시사점:
◦
FL 기반 NIDS의 취약점 해결을 위한 효과적인 방어 메커니즘(WeiDetect) 제시.
◦
Weibull 분포를 활용한 악성 모델 탐지의 효용성 증명.
◦
비균질 데이터 분포 환경에서도 우수한 성능을 보이는 점.
◦
기존 방어 기법 대비 성능 향상을 실험적으로 검증.
•
한계점:
◦
제안된 방어 메커니즘의 일반화 성능에 대한 추가 연구 필요.
◦
다양한 유형의 적대적 공격에 대한 robustness 평가 추가 필요.
◦
실제 환경 적용 시 발생 가능한 문제점 및 해결 방안에 대한 추가 연구 필요.
👍
Made with Slashpage