Temporal Partitioned Federated Learning for IoT Intrusion Detection Systems
Notice bibliographique
Résumé
Machine learning-based intrusion detection systems (IDSs) serve as a defense-in-depth layer for Internet of Things (IoT) networks by detecting potential intrusions within IoT traffic. However, resource-constrained IoT devices impose sig-nificant challenges in developing effective IDSs. Recently, fed-erated learning (FL) has emerged as a promising solution for training detection models on distributed IoT devices without compromising resource limitations resulting in the introduction of FL-based IDSs. To this end, this paper introduces a novel approach to enhance the effectiveness of current FL-based IoT IDSs while utilizing the same resources. The proposed system partitions the FL rounds between IoT device groups, allowing each group to update the FL detection model during its time partition. Hence, by implementing this temporal partitioning, multiple detection models are updated within one FL round using the same IoT resources. The main design goals of the proposed approach are to improve detection accuracy and convergence time compared to the traditional approach. For this purpose, the proposed approach is evaluated and compared to the traditional approach using five intrusion scenarios on IoT traffic obtained from the Edge-IIoTset dataset. The results demonstrate that the proposed temporal partitioned FL-based IoT IDS outperforms the traditional system by achieving higher detection accuracy and faster convergence time. Furthermore, the proposed approach achieves the required detection accuracy in fewer FL rounds, which can, in principle, save more IoT resources.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».