FedSMOTE-DP:隐私意识的联合集体学习,用于在IoMT网络中检测入侵

科学领域:

• 网络安全 网络安全
• 医疗保健技术 技术 医疗保健 技术
• 机器学习 机器学习

背景情况:

• 医疗物联网 (IoMT) 提供了变革性的医疗保健潜力,但很容易受到入侵和数据泄露等网络威胁.
• 由于数据聚合要求,集中式入侵检测系统 (IDS) 带来了隐私和可扩展性的挑战.

研究的目的:

• 提出FedEnsemble-DP,一个隐私意识的联合学习 (FL) 框架,用于在IoMT网络中分散的入侵检测.
• 评估将数据平衡技术与差别隐私 (DP) 和安全聚合集成的有效性.

主要方法:

• 开发了FedEnsemble-DP,一个联合学习框架,包含三个数据平衡场景:原始不平衡,本地SMOTE和集中SMOTE.
• 集成差别隐私 (DP) 具有校准噪声和安全聚合机制.
• 在非IID条件下对WUSTL-EHMS-2020和CIC-IoMT-2024数据集进行实验 (Dirichlet α = 0.3).

主要成果:

• 具有强有力的隐私保证 (ε = 3.0) 的模型实现了与非私人基线相当或超过的性能.
• 当地SMOTE与e = 3.0产生94.60%的准确性和0.9598AUC;原始不平衡与e = 3.0获得94.50%的准确性和0.9494AUC.
• 隐私保护模型 (ε = 3.0) 在原始场景中超过了非私人基线 (93.20%的准确性),尽管集中式SMOTE具有潜在的不稳定性.

结论:

• 当地数据平衡与校准的DP噪声相结合,有效地提高IoMT网络的入侵检测性能,同时保持数据隐私.
• 在分布式医疗环境中,FedEnsemble-DP框架成功地平衡了安全性,性能和数据机密性要求.