[論文レビュー] Differentially Private Collaborative Intrusion Detection Systems For VANETs

Tao Zhang, Quanyan Zhu|arXiv (Cornell University)|May 2, 2020

Vehicular Ad Hoc Networks (VANETs)参考文献 46被引用数 6

ひとこと要約

本稿では、ADMMに基づく分散機械学習を用いて、VANETにおける差分プライバシーを満たす共同インシデント検出システム（PML-CIDS）を提案する。双対変数ノイズ付加（DVP）を導入することで、動的差分プライバシーを確保し、検出精度とプライバシー保護の間で定量的なトレードオフを達成する。NSL-KDDを用いた実験により検証されている。

ABSTRACT

Vehicular ad hoc network (VANET) is an enabling technology in modern transportation systems for providing safety and valuable information, and yet vulnerable to a number of attacks from passive eavesdropping to active interfering. Intrusion detection systems (IDSs) are important devices that can mitigate the threats by detecting malicious behaviors. Furthermore, the collaborations among vehicles in VANETs can improve the detection accuracy by communicating their experiences between nodes. To this end, distributed machine learning is a suitable framework for the design of scalable and implementable collaborative detection algorithms over VANETs. One fundamental barrier to collaborative learning is the privacy concern as nodes exchange data among them. A malicious node can obtain sensitive information of other nodes by inferring from the observed data. In this paper, we propose a privacy-preserving machine-learning based collaborative IDS (PML-CIDS) for VANETs. The proposed algorithm employs the alternating direction method of multipliers (ADMM) to a class of empirical risk minimization (ERM) problems and trains a classifier to detect the intrusions in the VANETs. We use the differential privacy to capture the privacy notation of the PML-CIDS and propose a method of dual variable perturbation to provide dynamic differential privacy. We analyze theoretical performance and characterize the fundamental tradeoff between the security and privacy of the PML-CIDS. We also conduct numerical experiments using the NSL-KDD dataset to corroborate the results on the detection accuracy, security-privacy tradeoffs, and design.

研究の動機と目的

• 車両が学習データを共有する共同インシデント検出システム（CIDS）におけるプライバシー漏洩問題に対処する。
• 分散学習フレームワークにおける共有モデル更新からの敵対的推論の課題を克服する。
• 生の訓練データを露呈せずに、検出精度を維持する、スケーラブルでプライバシー保護型の機械学習アーキテクチャを設計する。
• 分散型CIDSにおけるセキュリティ（検出性能）とプライバシー（差分プライバシー保証）の間の明示的トレードオフを確立する。
• 反復的分散最適化に適した、動的差分プライバシー機構を設計する。

提案手法

• 車両間での分散学習を実現するため、交替方向乗数法（ADMM）を用いた分散型経験的リスク最小化（ERM）問題を定式化する。
• 各ADMM反復において双対変数に適切にスケーリングされたノイズを追加することで、動的差分プライバシーを確保する双対変数ノイズ付加（DVP）を適用する。
• 差分プライバシーの概念を、複数の反復においてもプライバシーが保持される動的設定に拡張する。
• 凸最適化を用いて、プライバシー予算と検出精度のトレードオフをモデル化・分析する。
• 局所的知識と共有知識を統合して、耐障害性の高い分類器を訓練するための正則化されたERMフレームワークを採用する。
• VANETにおけるリアルなネットワーク攻撃シナリオをシミュレートするため、NSL-KDDデータセットを用いて手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 反復的分散機械学習におけるVANET環境に差分プライバシーを効果的に適用し、訓練データのプライバシーを保護する方法は何か？
• RQ2 双対変数ノイズ付加（DVP）が共同インシデント検出システムの収束性および精度に与える影響は何か？
• RQ3 分散型CIDSアーキテクチャにおいて、検出性能とプライバシー漏洩の根本的トレードオフは何か？
• RQ4 ADMMに基づく分散学習フレームワークにおいて、動的差分プライバシーを形式的に保証できるか？
• RQ5 実際の攻撃条件下で、非プライベートな共同学習と比較して、提案されたPML-CIDSは精度とプライバシーの両面でどのように差がつくか？

主な発見

• 提案された双対変数ノイズ付加（DVP）手法は、VANETにおけるADMMベースの分散学習において、動的差分プライバシーを成功裏に実現した。
• 理論的分析により、DVPが敵対的モデル更新観測に対しても、定量的なプライバシー予算を伴う差分プライバシーを保証することが示された。
• NSL-KDDデータセットを用いた数値実験により、PML-CIDSは90％を超える高い検出精度（AUC）を維持しながらも、強力なプライバシー保証を達成した。
• プライバシー予算（ε）と検出性能の間には明確なトレードオフが観察され、より高いプライバシーを求めるほど、わずかではあるが許容可能な精度の低下が生じた。
• ネットワーク規模にわたってもスケーラビリティが高く、双対変数へのノイズ注入により、モデル逆転攻撃に対しても耐性を示した。
• 生のデータを共有せずに共同学習が可能となり、ストレージおよび通信オーバーヘッドが削減されるとともに、プライバシーが強化された。