FL-MalDrift：ローカル概念ドリフト下でのマルウェア検出のための連合学習フレームワーク

科学分野:

• サイバーセキュリティ; 機械学習; モバイルセキュリティ

背景:

• Androidマルウェアの継続的な進化は概念ドリフトを引き起こし、検出器の精度を低下させます。連合学習（FL）は、非IIDおよびシフトするクライアントデータに対処する上で課題があり、集約を不安定にし、プライバシーに影響を与えます。

研究 の 目的:

• Androidマルウェア検出のための概念ドリフトに耐性のある新しい連合フレームワークであるFL-MalDriftを提案すること。動的な環境におけるFLベースのマルウェア検出器の精度と安定性を向上させること。

主な方法:

• 軽量なオンデバイスドリフト検出アルゴリズム（ADWIN、DDM、EDDM、HDDM）と適応的参加制御の統合。EWMA平滑化ドリフトスコアを使用したサーバーサイドレギュレーションにより、安定したクライアント更新（FedAvg、FedSGD）を選択的に集約します。更新貢献前のクライアントサイドドリフト緩和。

主要な成果:

• Drebinで94.7%、CICMalDroid 2020で96.8%、AndroZooで92.4%の高精度を達成しました。クライアントの異質性と概念ドリフト下でのフレームワークの安定性を実証しました。ドリフトの影響を受けた更新をフィルタリングしながら、プライバシー保護を維持しました。

結論:

• FL-MalDriftは、非定常環境における堅牢なAndroidマルウェア検出のためのスケーラブルでプライバシーを保護するソリューションを提供します。クライアントサイドドリフト検出と動的参加制御の組み合わせは、FLトレーニングを効果的に安定させます。今後の作業には、差分プライバシー、圧縮認識集約、および大規模検証が含まれます。