چارچوب یادگیری فدرال سبک برای تشخیص نفوذ در اینترنت اشیا با استفاده از انتخاب مبتنی بر ضریب همبستگی متیو و هرس وزنی

سیستم های تشخیص نفوذ برای تامین امنیت شبکه های اینترنت اشیا حیاتی هستند. یادگیری فدرال به عنوان رویکردی غیرمتمرکز و حریم خصوصی محور، امکان آموزش مدل های تشخیص نفوذ را بدون اشتراک گذاری داده های خام فراهم می کند. با این وجود، روش های تجمع رایج مانند FedAvg در مواجهه با توزیع داده های غیریکسان کارایی خود را از دست می دهند. از سوی دیگر محدودیت منابع در دستگاه های اینترنت اشیا پیاده سازی مدل های عمیق را با چالش مواجه می سازد. در این مقاله یک چارچوب یادگیری فدرال سبک ارائه می شود که دو بهبود عملی را یکپارچه می سازد: (۱) انتخاب پویای کلاینت ها بر اساس ضریب همبستگی متیو و ترکیب وزنی آنها با روش Softmax، و (۲) هرس وزنی با نرخ ۲۰ درصد به منظور کاهش حجم مدل و سربار ارتباطی. مدل محلی یک شبکه عصبی کانولوشنال یک بعدی با معماری فشرده است. ارزیابی بر روی مجموعه داده های شناخته شده N-BaloT نشان می دهد که روش پیشنهادی به دقت ۹۹٫۹۹، امتیاز F۱ برابر و ضریب همبستگی متیو برابر ۹۹٫۹۸۷ بر روی مجموعه آزمون دست می یابد که از روش های FedAvgM، FedAdam، FedProx، Fedavg و Pow-d بهتر عمل می کند. هرس وزنی نیز حدود ۲۰٪ کاهش مصرف حافظه را با افت ناچیز دقت به همراه دارد. این چارچوب راهکاری ساده، کارآمد و قابل استقرار بر روی دستگاه های لبه با منابع محدود ارائه می دهد.

کلیدواژه ها:

یادگیری فدرال ، سیستم تشخیص نفوذ ، اینترنت اشیا ، ضریب همبستگی متیو ، هرس وزنی ، شبکه عصبی کانولوشنال ، داده های غیر یکسان