An Efficient Federated Learning Framework for IoT Intrusion Detection
Notice bibliographique
Résumé
The exponential growth of the Internet of Things (IoT) ecosystems has raised significant cybersecurity concerns. Deep learning (DL)-based methods have shown promising performance in detecting potential cyber threats in IoT networks. However, as these methods often involve data centralization, they can pose serious data privacy issues for IoT users and increase the communication burden of local networks. Federated learning (FL), as a distributed learning paradigm, enables privacy-preserving training of IoT intrusion detection models by requiring only model updates from IoT devices. However, the resource-constrained nature of IoT devices can significantly decrease FL training efficiencies, such as increased training latency and delayed convergence speed. Moreover, the data heterogeneous issues of IoT devices can also impact the accuracy and robustness of the trained model. To address these challenges, we propose an efficient FL framework, FedKD-Prox, based on federated proximal (FedProx) and knowledge distillation (KD). To improve the prediction accuracy within a limited time budget, the proposed framework aims to efficiently exploit the computation capability of the IoT trainers, reduce the communication overhead of FL, and alleviate the impact of heterogeneous data issues. The simulation results show that FedKD-Prox achieves higher accuracy and improves the robustness of the trained intrusion detection model.
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 | 0,001 | 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 ».