FL-MalDrift: un marco de aprendizaje federado para la detección de malware bajo deriva de concepto local

Área de la Ciencia:

• Ciberseguridad
• Aprendizaje Automático
• Seguridad Móvil

Sus antecedentes:

• La continua evolución del malware de Android causa deriva de conceptos, degradando la precisión del detector.
• El aprendizaje federado (FL) enfrenta desafíos con datos de clientes no IID y cambiantes, desestabilizando la agregación e impactando la privacidad.

Objetivo del estudio:

• Proponer FL-MalDrift, un marco federado novedoso y resistente a la deriva de conceptos para la detección de malware en Android.
• Mejorar la precisión y estabilidad de los detectores de malware basados en FL en entornos dinámicos.

Principales métodos:

• Integración de algoritmos ligeros de detección de deriva en el dispositivo (ADWIN, DDM, EDDM, HDDM) con control de participación adaptativo.
• Regulación del lado del servidor utilizando puntuaciones de deriva suavizadas por EWMA para agregar selectivamente actualizaciones estables del cliente (FedAvg, FedSGD).
• Mitigación de la deriva del lado del cliente antes de la contribución de la actualización.

Principales resultados:

• Logró una alta precisión: 94,7% en Drebin, 96,8% en CICMalDroid 2020 y 92,4% en AndroZoo.
• Demostró la estabilidad del marco bajo heterogeneidad del cliente y deriva de conceptos.
• Mantuvo la preservación de la privacidad al filtrar las actualizaciones afectadas por la deriva.

Conclusiones:

• FL-MalDrift ofrece una solución escalable y que preserva la privacidad para una detección robusta de malware en Android en entornos no estacionarios.
• La combinación de la detección de deriva del lado del cliente con el control de participación dinámico estabiliza eficazmente el entrenamiento de FL.
• El trabajo futuro incluye privacidad diferencial, agregación consciente de la compresión y validación a gran escala.