Secure Peer-to-Peer Federated Learning for Efficient Cyberattacks Detection in 5G and Beyond Networks
Notice bibliographique
Résumé
The Open radio access network (ORAN) supports the multiclass wireless services required in beyond 5th-generation (B5G) mobile networks. However, it also increases the threat surface, thus requiring enhanced cyberattack detection mechanisms. To do so, advanced Artificial Intelligence (AI) algorithms combined with RAN intelligent controllers (RICs) can be leveraged to detect cyberattacks, such as distributed denial-of-service (DDoS) attacks. Nevertheless, data privacy becomes a significant concern when using AI-based operations. To bypass this issue, secured Federated Learning (FL) can be leveraged. Specifically, training cyberattack detection models locally and securely communicating the models' data for aggregation would guarantee protection against eavesdropping. In addition, the usage of Peer-to-Peer (P2P) FL would allow to avoid the centralized FL's single point of failure. However, securing P2P FL with encryption/decryption or using the Secure Average Computation (SAC) would incur high communication costs that scale poorly with the number of FL clients. Hence, we propose in this paper a novel P2P FL strategy that guarantees secure FL, while significantly reducing the communication cost. Specifically, we incorporate client selection and transfer learning within the RIC-based P2P FL system to detect cyberattacks. Through experiments, we demonstrate our method's performances across different scenarios with both balanced and unbalanced dataset distributions. Finally, its superiority in terms of accuracy, robustness, and cost, compared to existing benchmarks, is illustrated.
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 | 0,006 |
| 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 | 0,003 | 0,010 |
| 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 ».