FedSA: Accelerating Intrusion Detection in Collaborative Environments with Federated Simulated Annealing

Neto, Helio N. Cunha; Dusparić, Ivana; Mattos, Diogo M. F.; Fernande, Natalia C.

doi:10.1109/netsoft54395.2022.9844024

Cited by 8 publications

(10 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Detecting cyberattacks is essential in preventing and mitigating the consequences of attacks on networks. Several works have proposed using machine learning for Intrusion Detection Systems (Intrusion Detection System (IDS)) [17], [116], [119]. Deep learning is considered one of the most efficacious approaches in the cyberattack detection domain.…”

Section: A Cyberattack Detectionmentioning

confidence: 99%

“…Deep learning models demand a relatively large dataset for training. Therefore, current cyberattack detection proposals use FL regarding the privacy issue [119]. In this scenario, we have n IDSes protecting their network.…”

Section: A Cyberattack Detectionmentioning

confidence: 99%

“…In previous work, Cunha Neto et al proposed federated hyperparameter optimization of the FedAvg and participant selection [119]. The authors claim that the optimized selection of participants tends to improve accuracy and decrease the loss of the federated global model.…”

Section: A Cyberattack Detectionmentioning

confidence: 99%

See 2 more Smart Citations

A Survey on Securing Federated Learning: Analysis of Applications, Attacks, Challenges, and Trends

et al. 2023

View full text Add to dashboard Cite

The growth of data generation capabilities, facilitated by advancements in communication and computation technologies, as well as the rise of the Internet of Things (IoT), results in vast amounts of data that significantly enhance the performance of machine learning models. However, collecting all necessary data to train accurate models is often unfeasible due to privacy laws. Federated Learning (FL) evolved as a collaborative machine learning approach for training models without sharing private data. Unfortunately, several in-design vulnerabilities have been exposed, allowing attackers to infer private data of participants and negatively impacting the performance of the federated model. In light of these challenges and to encourage the development of FL solutions, this paper provides a comprehensive analysis of secure FL proposals that both protect user privacy and enhance the performance of the model. We performed a systematic review using predefined criteria to screen and extract data from multiple electronic databases, resulting in a final set of studies for analysis. Through the systematic review methodology, the paper groups the security vulnerabilities of FL into model-performance and data privacy attacks. It also presents an analysis and comparison of potential mitigation strategies against these attacks. Additionally, the paper conducts a security analysis of state-of-the-art FL applications and proposals based on the vulnerabilities addressed. Finally, the paper outlines the main applications of secure FL and lists future research challenges. The survey highlights the crucial role of security strategies in ensuring the protection of user privacy and model performance in the context of future FL applications.

show abstract

Section: A Cyberattack Detectionmentioning

confidence: 99%

Section: A Cyberattack Detectionmentioning

confidence: 99%

See 1 more Smart Citation

A Survey on Securing Federated Learning: Analysis of Applications, Attacks, Challenges, and Trends

et al. 2023

View full text Add to dashboard Cite

show abstract

“…Isso permite que diversos participantes treinarem um modelo com ajuda de um servidor central sem compartilhamento de dados [Lim et al, 2020]. Um sistema de detecc ¸ão de intrusão voltado para dispositivos IoT, cada dispositivo monitora uma rede local e atua como participante do treinamento colaborativo utilizando os dados coletados da rede como conjunto de dados [Neto et al, 2022]. Os dispositivos IoT deverão se comunicar com um servidor agregador para realizar o treinamento colaborativo.…”

Section: Introduc ¸ãOunclassified

“…Os trabalhos atuais de aprendizado federado em dispositivos IoT geralmente são avaliados através de simuladores [Ciftler et al, 2020, Neto et al, 2022 ou utilizando dispositivos com maior poder computacional do que os dispositivos reais [Zhang et al, 2021, Mills et al, 2019. É complexo analisar e avaliar os desafios do aprendizado federado para dispositivos IoT em ambientes simulados através de computadores com alto desempenho.…”

Section: Introduc ¸ãOunclassified

Análise Prática da Técnica de Aprendizado Federado Aplicada a Dispositivos da Internet das Coisas

Barbosa¹,

Mattos²

2023

Anais Do XXII Workshop Em Desempenho De Sistemas Computacionais E De Comunicação (WPerformance 2023)

View full text Add to dashboard Cite

O número de dispositivos da (Internet of Things - IoT) cresceu exponencialmente nos últimos anos, resultando em uma grande massa de dados útil para aplicações de aprendizado de máquina. Tradicionalmente, os modelos de aprendizado de máquina exigem coleta e processamento de dados centralizados, o que não é viável no cenário IoT, devido à alta densidade e às crescentes preocupações com a privacidade dos dados. O Aprendizado Federado é uma tendência nesse cenário, pois permite o treinamento colaborativo de modelos em dispositivos IoT, distribuído e sem a necessidade de compartilhamento de dados. Este artigo propõe e avalia o desempenho de um arcabouço de aprendizado federado para dispositivos IoT. O arcabouço proposto e avaliado emprega uma topologia de servidor de parâmetros. A análise de desempenho é executada sobre uma rede de testes composta por dispositivos IoT equipados com processadores ARM e limitados a 2GB de RAM. Os experimentos foram executados sobre um conjunto de dados não identicamente distribuído e com dados dependentes (non-IID). Os resultados mostram que o modelo global federado alcança acurácia 0.6, com quatro clientes e 10 rodadas de agregação, independentemente das épocas de treinamento locais.

show abstract

Cluster knowledge-driven vertical federated learning

Yin,

Zhao,

Wang

et al. 2024

J Supercomput

View full text Add to dashboard Cite

FedSA: Accelerating Intrusion Detection in Collaborative Environments with Federated Simulated Annealing

Cited by 8 publications

References 22 publications

A Survey on Securing Federated Learning: Analysis of Applications, Attacks, Challenges, and Trends

A Survey on Securing Federated Learning: Analysis of Applications, Attacks, Challenges, and Trends

Análise Prática da Técnica de Aprendizado Federado Aplicada a Dispositivos da Internet das Coisas

Cluster knowledge-driven vertical federated learning

Contact Info

Product

Resources

About