Resilient Federated Learning for DDoS Detection with Multi-Krum Aggregation and Anomaly Detection
Notice bibliographique
Résumé
Distributed Denial of Service (DDoS) attacks pose a significant threat to modern network systems, exacerbated by the proliferation of IoT devices and increasingly sophisticated attack strategies. Traditional machine learning-based DDoS detection methods struggle with data privacy concerns and adversarial manipulations. Federated Learning (FL) offers a promising solution by enabling collaborative model training while preserving data locality; however, FL remains vulnerable to various adversarial attacks, including model poisoning, inference attacks, and backdoor attacks. In this work, we particularly explore backdoor attacks, where malicious clients introduce poisoned updates to compromise the global model. This research proposes a resilient FL framework for privacy-preserving DDoS detection, integrating Multi-Krum aggregation and anomaly detection to mitigate the effects of backdoor attacks. Using the UNSW-NB1S dataset, the framework employs a Transformer-based architecture to effectively capture complex network traffic patterns. Experimental results show that our proposed framework achieves an accuracy of 86.8%, a precision of 83.8%, a recall of 93.5%, and an F1 score of 87.9% under adversarial conditions, significantly outperforming the baseline models. Compared to the non-resilient FL-Transformer, our approach recovers 14.0% in accuracy and 11.9% in F1-score, demonstrating its effectiveness in mitigating backdoor attacks. These findings highlight the scalability, security, and robustness of our FL-based approach, making it a viable solution for distributed network defense in real-world settings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».