FTLIoT: A Federated Transfer Learning Framework for Securing IoT
Notice bibliographique
Résumé
The growing number of Internet of Things (IoT) applications and connected devices has increased the chance for more cyberattacks against those applications and devices and emphasized the need to protect the IoT networks. Due to the vast network and the anonymity of the internet, it has been challenging to preserve private information and communication. Although most systems implement security devices (i.e. firewalls) to avoid this, the second line of defence, Intrusion Detection Systems (IDSs), are critical in enhancing the system's security level. This paper proposed a model that combines the two machine learning techniques, Federated and Transfer Learning, to build an IDS to secure the IoT networks with less training time and enhanced performance while preserving the user's data privacy. Deep learning algorithms, namely Deep Neural Network (DNN) and Convolutional Neural Network (CNN), are used to evaluate the performance of the proposed framework on a benchmark dataset, CSE-CIC-IDS2018, and the feasibility of adopting Federated Transfer Learning (FTL) is shown in terms of performance metrics and training and fine-tuning time. The results show that the proposed technique can increase performance and decrease training time compared to the traditional machine learning techniques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».