DSPFL: Un esquema de aprendizaje federado personalizado para mitigar los ataques de envenenamiento

Área de la Ciencia:

• Ciberseguridad
• Aprendizaje automático
• Internet industrial de las cosas (IIoT)

Sus antecedentes:

• El aprendizaje automático (ML) y el aprendizaje federado (FL) son cruciales para la seguridad de la Internet Industrial de las Cosas (IIoT).
• Los ataques de envenenamiento amenazan los modelos de FL, especialmente con datos no independientes e idénticamente distribuidos (no IID) en IIoT.
• Distinguir modelos locales maliciosos es un desafío debido a la heterogeneidad de los datos.

Objetivo del estudio:

• Proponer un esquema de aprendizaje federado robusto y resistente a los ataques de envenenamiento en entornos IIoT.
• Mejorar la precisión y la estabilidad de los modelos personalizados de detección de anomalías en IIoT.
• Abordar los desafíos planteados por los datos no identificados y las manipulaciones adversas en FL.

Principales métodos:

• Introducción del esquema de intercambio de señales personalizado de capa profunda (DSPFL).
• Agregación de signos de gradiente estocástico (SignSGD) de capas profundas de modelos locales.
• Retención local de capas de modelo poco profundas para personalización y privacidad.

Principales resultados:

• DSPFL demuestra una mayor robustez contra los ataques de envenenamiento.
• El sistema mejora la precisión y la estabilidad de los modelos locales personalizados.
• Los resultados experimentales muestran una precisión general del modelo personalizado hasta un 20% mayor en comparación con los métodos existentes.

Conclusiones:

• DSPFL mitiga efectivamente los ataques de envenenamiento en FL personalizado para IIoT.
• El método propuesto ofrece una solución prometedora para la detección segura y precisa de anomalías en las industrias inteligentes.
• DSPFL equilibra la robustez del modelo global con la personalización del modelo local en condiciones adversas.