[論文レビュー] Blockchained Federated Learning for Threat Defense

Konstantinos Demertzis|arXiv (Cornell University)|Feb 25, 2021

Blockchain Technology Applications and Security参考文献 29被引用数 7

ひとこと要約

本論文は、スマートシティネットワークにおける知的脅威防御のためのブロックチェーン統合型フェデレーテッドラーニングフレームワークを提案する。このフレームワークにより、暗号化された分散型モデル学習を通じて、プライバシーを守りながら協働的に高度持続的脅威（APTs）を検出可能となる。システムはブロックチェーンで保護されたスマートコントラクトを用いてフェデレーテッドラーニングの更新を検証および監査可能にし、IIoTトラフィックの異常を高い正確性で分類する。参加者の匿名性も維持される。

ABSTRACT

Given the increasing complexity of threats in smart cities, the changing environment, and the weakness of traditional security systems, which in most cases fail to detect serious threats such as zero-day attacks, the need for alternative more active and more effective security methods keeps increasing. Such approaches are the adoption of intelligent solutions to prevent, detect and deal with threats or anomalies under the conditions and the operating parameters of the infrastructure in question. This research paper introduces the development of an intelligent Threat Defense system, employing Blockchain Federated Learning, which seeks to fully upgrade the way passive intelligent systems operate, aiming at implementing an Advanced Adaptive Cooperative Learning (AACL) mechanism for smart cities networks. The AACL is based on the most advanced methods of computational intelligence while ensuring privacy and anonymity for participants and stakeholders. The proposed framework combines Federated Learning for the distributed and continuously validated learning of the tracing algorithms. Learning is achieved through encrypted smart contracts within the blockchain technology, for unambiguous validation and control of the process. The aim of the proposed Framework is to intelligently classify smart cities networks traffic derived from Industrial IoT (IIoT) by Deep Content Inspection (DCI) methods, in order to identify anomalies that are usually due to Advanced Persistent Threat (APT) attacks.

研究の動機と目的

• 動的で変化し続けるスマートシティ環境におけるゼロデイ攻撃や高度持続的脅威（APTs）の検出において、従来のセキュリティシステムの限界を是正すること。
• 生データを共有せずにIIoTネットワーク全体で分散型の脅威検出を可能にする、プライバシーを守った協働学習メカニズムの開発。
• 分散型の方法で信頼性、監査可能性、およびモデル更新の整合性を保証するため、ブロックチェーン技術とフェデレーテッドラーニングを統合すること。
• ディープコンテンツインスペクション（DCI）とフェデレーテッドラーニングを組み合わせることで、IIoTトラフィックにおけるリアルタイムで適応可能な異常検出を実現すること。
• スマートシティインフラの複数の関係者間で継続的かつ安全に協働的なモデル改善を可能にするフレームワークの構築。

提案手法

• 本フレームワークは、生データのやり取りを伴わずに分散型のIIoTデバイス上で機械学習モデルを学習させるフェデレーテッドラーニング（FL）を採用し、プライバシーを守る。
• ブロックチェーン技術を用いて、暗号化されたスマートコントラクトを通じてモデル更新を記録および検証し、学習プロセスの透明性と変更不能性を確保する。
• 各クライアントは自らのデータ上でローカルモデルを学習し、中央のアグリゲーターにモデルパラメータ（勾配）のみを送信する。アグリゲーターは、FedAvgや類似手法を用いてそれらを統合する。
• ブロックチェーン上のスマートコントラクトは、モデル検証のルールを強制し、悪意ある更新を防止するとともに、暗号ハッシュおよびコンSENSUSメカニズムを通じて責任追及を可能にする。
• ディープコンテンツインスペクション（DCI）を適用してネットワークトラフィックのパターンを分析し、APTsやゼロデイ攻撃を示す異常を検出する。
• フェデレーテッドラーニングパイプラインに組み込まれたエンドツーエンド暗号化および微分プライバシー技術により、参加者の匿名性とデータ機密性が確保される。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングをブロックチェーン技術と統合することで、協働的脅威検出における信頼性と整合性をどのように向上させられるか？
• RQ2 ブロックチェーン化されたフェデレーテッドラーニングフレームワークは、データプライバシーを守りつつ、IIoT環境におけるAPTsの検出精度をどの程度向上できるか？
• RQ3 分散型環境において、モデル汚染攻撃を防止し、集約モデルの信頼性を確保するためのメカニズムとして何が実装可能か？
• RQ4 スマートコントラクトの統合は、分散型脅威検出システムにおける監査可能性と責任追及性をどのように向上させるか？
• RQ5 提案されたフレームワークは、進化を続けるサイバー脅威に応じてリアルタイムで適応的学習を可能にするか？

主な発見

• 本フレームワークは、ディープコンテンツインスペクションとフェデレーテッドラーニングを組み合わせることで、IIoTトラフィックにおける異常検出に高い正確性を達成し、APTsやゼロデイ脅威を効果的に同定する。
• ブロックチェーンで保護されたスマートコントラクトの使用により、モデル更新が暗号的に検証され、改ざんされにくくなり、システムの整合性が向上する。
• 生データがローカルデバイス上に留まるため、フェデレーテッドラーニングにより参加者のプライバシーが保護される。
• ブロックチェーンベースのスマートコントラクトが強制する検証およびコンセンサスメカニズムのおかげで、モデル汚染攻撃に対して本フレームワークはレジliエンスを示す。
• 本フレームワークは、分散ノード間で継続的かつ適応的学習を可能にし、リアルタイムで出現する脅威に応じてシステムが進化することを可能にする。
• スマートコントラクトに統合された暗号化とアクセス制御により、承認されたエンティティのみが学習プロセスに参加および検証可能となる。