[論文レビュー] Consensus based Detection in the Presence of Data Falsification Attacks

Bhavya Kailkhura, Swastik Brahma+1 more|arXiv (Cornell University)|Apr 14, 2015

Distributed Sensor Networks and Detection Algorithms参考文献 31被引用数 26

ひとこと要約

本稿では、分散検出ネットワークにおけるデータ改ざん（Byzantine）攻撃を軽減する、ロバストで学習ベースの分散重み付き平均合意アルゴリズムを提案する。反復的学習によりノード固有のパラメータを推定し、統計モデルに基づいて局所的融合重みを適応的に調整することで、4回の学習反復内に最適な性能に非常に近い検出性能を達成する。これは、最大33％のノードが悪意ある状態にあっても成立する。

ABSTRACT

This paper considers the problem of detection in distributed networks in the presence of data falsification (Byzantine) attacks. Detection approaches considered in the paper are based on fully distributed consensus algorithms, where all of the nodes exchange information only with their neighbors in the absence of a fusion center. In such networks, we characterize the negative effect of Byzantines on the steady-state and transient detection performance of the conventional consensus based detection algorithms. To address this issue, we study the problem from the network designer's perspective. More specifically, we first propose a distributed weighted average consensus algorithm that is robust to Byzantine attacks. We show that, under reasonable assumptions, the global test statistic for detection can be computed locally at each node using our proposed consensus algorithm. We exploit the statistical distribution of the nodes' data to devise techniques for mitigating the influence of data falsifying Byzantines on the distributed detection system. Since some parameters of the statistical distribution of the nodes' data might not be known a priori, we propose learning based techniques to enable an adaptive design of the local fusion or update rules.

研究の動機と目的

• 分散ネットワークにおける従来の合意ベース検出手法が、データ改ざん（Byzantine）攻撃に対して脆弱であるという問題に取り組むこと。
• 除外や固定しきい値に依存せずに、完全に分散化され、適応的な融合ルールを設計すること。
• 一部のノードが改ざんされている状態でも、グローバルな検定統計量を局所的に計算可能にする、ロバストな重み付き合意を提供すること。
• ノードのデータ分布の未知の統計的パラメータを推定する学習ベースの技術を開発し、適応的重み調整を可能とすること。
• 提案手法が、パラメータが既知の最適重み付き融合と同等の性能に、数回の学習反復で近づくことを実証すること。

提案手法

• ノードの統計的挙動に基づき、適応的重みを割り当てる分散重み付き平均合意アルゴリズムを提案。これにより、Byzantineノードの影響が低減される。
• 学習反復において、仮説 I₀ および I₁ の下での観測データから、各ノードの混合モデルパラメータ（重み、平均、分散）を推定する。
• 学習段階で得たパラメータを用いて、最尤分類を適用し、誠実なノードとByzantineノードを識別する。
• 推定されたパラメータを用いて、誠実ノードおよびByzantineノードの最適融合重みを導出する。式 (20) および (21) に閉形式の式が得られる。
• 期待値最大化に類似したステップを用いて、反復的パラメータ更新を実施する。式 (14) から (18) までで、成分の重み、平均、分散の更新が行われる。
• 学習済みの重みを合意更新ルールに統合し、データ改ざんに対してロバストなグローバル検定統計量への収束を保証する。

実験結果

リサーチクエスチョン

• RQ1 データ改ざん攻撃が、分散ネットワークにおける従来の合意ベース検出の性能にどのように悪影響を及えるか？
• RQ2 除外を伴わず、ノードを排除しない完全に分散化された適応的合意アルゴリズムを設計可能か？
• RQ3 どのような学習ベースの技術が、ノードが自らの統計的パラメータを推定し、リアルタイムで融合重みを適応的に調整できるか？
• RQ4 提案手法の学習ベースのスキームは、どの程度の速さで最適に近い検出性能に収束するか？
• RQ5 ネットワークトポロジーおよび攻撃パラメータが、提案手法のロバスト性および収束特性に与える影響は何か？

主な発見

• 提案された学習ベースの重み付き合意スキームは、4回の反復内に、パラメータが既知の最適重み付き融合と非常に近い検出性能を達成する。
• 33％までのノードがByzantineであっても、この手法はしきい値ベースの除外手法を上回る効果的な影響低減を実現する。
• 4回の学習反復後、提案手法のROC曲線は最適手法のものと収束し、迅速な適応性と高い正確性を示している。
• 統計モデルとパラメータ推定を活用することで、適応的重み割り当てが可能となり、攻撃下でも検出信頼性が著しく向上する。
• 攻撃パラメータ（例：Pᵢ=0.5, Δᵢ=9）が非自明であっても、この手法は悪意あるデータ改ざんに対してロバスト性を維持する。
• この手法は、隣接ノードレベルの情報のみを用いてグローバル検定統計量を局所的に計算可能であり、完全に分散化された設計要件を満たしている。