[論文レビュー] FLAD: Adaptive Federated Learning for DDoS Attack Detection

Roberto Doriguzzi-Corin, Domenico Siracusa|arXiv (Cornell University)|May 13, 2022

Network Security and Intrusion Detection被引用数 10

ひとこと要約

FLAD は、テストデータを共有せずに収束をモニタリングできる、DDoS 攻撃検出のための新しい適応型フェデレーテッドラーニングフレームワークである。クライアントのローカル検証精度を活用することで、学習が難しい攻撃プロファイルを有するクライアントにより多くのトレーニングラウンドを動的に割り当てることで、非平衡で非 i.i.d. の DDoS データセットにおいて、最先端の FL メソッドよりも高速な収束と高い精度を達成する。

ABSTRACT

Federated Learning (FL) has been recently receiving increasing consideration from the cybersecurity community as a way to collaboratively train deep learning models with distributed profiles of cyber threats, with no disclosure of training data. Nevertheless, the adoption of FL in cybersecurity is still in its infancy, and a range of practical aspects have not been properly addressed yet. Indeed, the Federated Averaging algorithm at the core of the FL concept requires the availability of test data to control the FL process. Although this might be feasible in some domains, test network traffic of newly discovered attacks cannot be always shared without disclosing sensitive information. In this paper, we address the convergence of the FL process in dynamic cybersecurity scenarios, where the trained model must be frequently updated with new recent attack profiles to empower all members of the federation with the latest detection features. To this aim, we propose FLAD (adaptive Federated Learning Approach to DDoS attack detection), an FL solution for cybersecurity applications based on an adaptive mechanism that orchestrates the FL process by dynamically assigning more computation to those members whose attacks profiles are harder to learn, without the need of sharing any test data to monitor the performance of the trained model. Using a recent dataset of DDoS attacks, we demonstrate that FLAD outperforms state-of-the-art FL algorithms in terms of convergence time and accuracy across a range of unbalanced datasets of heterogeneous DDoS attacks. We also show the robustness of our approach in a realistic scenario, where we retrain the deep learning model multiple times to introduce the profiles of new attacks on a pre-trained model.

研究の動機と目的

• フェデレーテッドラーニングにおけるサイバーセキュリティ分野でのモデル収束の監視を、テストデータの共有を要しない形で実現すること。
• 頻繁に出現する新しい DDoS 攻撃プロファイルに対応できる動的環境における効率的で適応的なトレーニングを可能にすること。
• ネットワークインシデント検出で一般的な非平衡で非 i.i.d. データセットにおいて、収束時間を短縮し、検出精度を向上させること。
• フェデレーション全体のクライアント間で新しい攻撃プロファイルをリアルタイムで更新できるインシデント検出システムのサポートをすること。
• 機密なネットワークトラフィックデータを暴露せずに、スケーラブルでプライバシー保護型の共同 DDoS 検出ソリューションを提供すること。

提案手法

• FLAD は、サーバーにデータを送信せずに、クライアントのローカル検証セットを用いてグローバルモデルの精度を推定する。
• サーバーは、ローカルモデルの精度が低いクライアント（学習が難しい攻撃プロファイルを有する）に、より多くのトレーニングラウンドを動的に割り当てる。
• この適応メカニズムは、各ラウンド終了後にクライアントが検証精度を報告するフィードバックループに基づくもので、早期停止とロードバランシングを可能にする。
• フェデレーテッドアベレージが中央のテストセットを必要とするのを避けるために、クライアント側のパフォーマンス指標をグローバルモデル品質の代理指標として用いる。
• ローカル精度の傾向に基づく早期停止戦略を統合することで、不要なトレーニングイテレーションを削減する。
• トレーニングデータや検証データがクライアントとサーバー間で交換されないため、攻撃トラフィックの機密性が保たれる。

実験結果

リサーチクエスチョン

• RQ1 新しい攻撃プロファイルが頻繁に出現する動的セキュリティ環境において、テストデータを共有できない状況で、フェデレーテッドラーニングがどのように効果的に収束するか。
• RQ2 フェデレーテッドインシデント検出において、中央のテストデータにアクセスできない状況でも、モデルの収束を監視・最適化できるか。
• RQ3 クライアントレベルの精度に基づくトレーニングラウンドの適応的割り当てが、収束速度と検出精度をどのように向上させるか。
• RQ4 非平衡で非 i.i.d. の DDoS データセットにおいて、FLAD は FEDAVG や他の最先端の FL アルゴリズムと比較して、どのようなパフォーマンスを示すか。
• RQ5 インクリメンタル学習による新しい攻撃タイプの学習に、FLAD は実際に効果的に応用可能か。

主な発見

• FLAD は、非平衡で非 i.i.d. の DDoS データセットにおいて、最先端の FL メソッドと比較して、著しく収束時間を短縮する。
• FLAD は、多様な攻撃プロファイルにおいて、FEDAVG や他のベースライン FL アルゴリズムを上回る分類精度を達成する。
• 適応メカニズムは、学習が難しい攻撃プロファイルを有するクライアントを的確に特定・優先処理し、全体のモデルのロバスト性を向上させる。
• FLAD は、新しい攻撃タイプを組み込むためにモデルを複数回再トレーニングしても、高いパフォーマンスを維持することができ、優れた適応性を示す。
• 機密データを一切共有せず、効果的な早期停止とロードバランシングを実現するため、プライバシーが保たれる。
• テストデータがサーバーに存在しない状況でも、FLAD は FEDAVG を上回る性能を示し、現実のプライバシー制約環境における実用性を裏付けている。