Videos de Experimentos Relacionados
Evaluación centrada en el conjunto de datos de modelos federados de detección de intrusiones en redes IoT
Muhammad Ahmad Bilal1, Ihtesham Ul Islam1, Sarmad Idrees2
1Department of Computer Software Engineering, Military College of Signals, National University of Sciences and Technology, Islamabad, Pakistan.
Scientific reports
|January 16, 2026
Resumen
El aprendizaje federado para la detección de intrusiones en IoT muestra potencial pero tiene dificultades con la generalización en diversos conjuntos de datos. La combinación de conjuntos de datos y el uso de algoritmos avanzados como FedProx o FedNova mejoran el rendimiento y la eficiencia.
Área de la Ciencia:
- Ciberseguridad
- Aprendizaje automático
- Internet de las cosas (IoT)
Sus antecedentes:
- El aprendizaje federado (FL) es crucial para los sistemas de detección de intrusiones (IDS) que preservan la privacidad en IoT.
- La generalización de los IDS basados en FL está limitada por las evaluaciones de conjuntos de datos únicos y los datos no IID.
Objetivo del estudio:
- Realizar una evaluación integral y centrada en el conjunto de datos de IDS basados en FL en múltiples conjuntos de datos contemporáneos de IoT/IIoT.
- Comparar algoritmos de agregación (FedAvg, FedProx, FedNova) y backbones de aprendizaje profundo (LSTM, Transformer) para IDS.
- Evaluar la precisión de la detección, la generalización, la convergencia y los costos de comunicación.
Principales métodos:
- Se evaluaron FL-IDS en los conjuntos de datos Edge-IIoTset, CIC-IoT2023 y TII-SSRC-23.
- Se construyeron clientes no IID, se armonizaron las etiquetas y se alinearon las características.
- Se compararon FedAvg, FedProx, FedNova con modelos LSTM y Transformer bajo regímenes de federación intra-dominio, entre conjuntos de datos y multi-conjunto de datos.
Principales resultados:
- Los modelos federados lograron un alto rendimiento dentro del dominio (hasta 98% macro-F1).
- La generalización entre conjuntos de datos mostró una degradación significativa (hasta 30% de pérdida de macro-F1).
- La federación combinada de múltiples conjuntos de datos mejoró el rendimiento entre conjuntos de datos a ~90% macro-F1.
- Los modelos Transformer superaron a los LSTM; FedProx/FedNova mejoraron la estabilidad y redujeron los costos de comunicación.
Conclusiones:
- Priorizar datos diversos de ataques y entornos a través de FL combinada de conjuntos de datos es clave para IDS robustos.
- Los backbones Transformer ofrecen ventajas; FedProx/FedNova optimizan el entrenamiento para entornos IoT restringidos.
- FL-IDS requiere una cuidadosa selección de conjuntos de datos y elección de algoritmos para una implementación efectiva en el mundo real.
