Attention-Based Interpretable Semi-Supervised Federated Learning for Intrusion Detection in IoT Wireless Networks
Notice bibliographique
Résumé
Intrusion detection is a crucial task to ensure the security of the Internet of Things (IoT) wireless networks. While different Machine Learning (ML) methods have been leveraged to detect network intrusion, they often require data from multiple devices to be collected and stored on a central server to train underlying ML models, raising privacy concerns. Federated Learning (FL) can preserve data privacy where local devices can iteratively update the model parameters trained by using their own local datasets and send them to a server for model ag-gregation. Moreover, most existing ML-based intrusion detection designs are based on supervised ML using labeled data, which may not be available or time-consuming to build. Therefore, semi-supervised learning methods that effectively utilize both labeled and unlabeled data would be very desirable and necessary. This paper proposes a semi-supervised FL method for intrusion detection in IoT networks. Specifically, our proposed framework leverages the attention-based architecture called TabNet to selec-tively focus on important features of network flow and we propose a crucial data preparation procedure before training the ML model using the FL approach. We conduct extensive numerical studies to demonstrate the effectiveness of our approach and compare its performance to other baselines. We also present empirical evidence to support the interpretability of our method. We also show that the proposed data pre-processing procedure indeed greatly enhances the intrusion detection performance. <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sup>
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».