NGMD:下一代恶意软件检测在联邦服务器中,用于自主网络的深度神经网络模型

科学领域:

• 网络安全 网络安全
• 人工智能的人工智能
• 网络安全 网络安全

背景情况:

• 分布式拒绝服务 (DDoS) 攻击对互联网用户和提供商构成重大威胁.
• 传统的基于签名的检测系统与不断发展的恶意软件作斗争.
• 深度学习 (DL) 为动态威胁检测提供了先进的解决方案,特别是在云端和联合环境中.

研究的目的:

• 部署一个优化的深度神经网络,用于网络流量分类.
• 为了协调联合服务器模型参数与物联网设备培训.
• 开发一个保护隐私的联合学习框架,用于增强DDoS攻击检测.

主要方法:

• 在分布式物联网设备上实施了联合学习方法,用于在分布式物联网设备上进行隐私意识模型培训.
• 利用优化的深度神经网络进行网络流量分类.
• 开发了一个联合的流程图,用于在云端进行本地模型更新聚合和全球模型生成.

主要成果:

• 联合学习模型展示了可靠的攻击检测与高效的分类,隐私和保密.
• 拟议的框架需要最小的内存和网络延迟.
• 在BoT-IoT数据集上的实验验证证证了与集中和本地DL模型相比的优越性能.

结论:

• 联合学习为物联网中DDoS攻击检测提供了强大且保护隐私的解决方案.
• 开发的框架增强了自主网络的网络弹性和安全性.
• 这种方法促进了协作,隐私意识的学习,而不会损害用户数据.