[論文レビュー] HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection

Mohanad Sarhan, Wai Weng Lo+2 more|arXiv (Cornell University)|Apr 8, 2022

Privacy-Preserving Technologies in Data被引用数 7

ひとこと要約

本稿では、IoT組織間における侵入検出のための安全でプライバシー保護された協働を可能にする階層型ブロックチェーンベースのフェデレーテッドラーニングフレームワーク、HBFLを提案する。許可型ブロックチェーンとスマートコントラクトを統合してモデル更新の検証を行うことで、HBFLは多様な攻撃タイプにおいて平均99.71%の検出精度を達成し、非協働的フェデレーテッドラーニング手法を著しく上回る性能を示した。

ABSTRACT

The continuous strengthening of the security posture of IoT ecosystems is vital due to the increasing number of interconnected devices and the volume of sensitive data shared. The utilisation of Machine Learning (ML) capabilities in the defence against IoT cyber attacks has many potential benefits. However, the currently proposed frameworks do not consider data privacy, secure architectures, and/or scalable deployments of IoT ecosystems. In this paper, we propose a hierarchical blockchain-based federated learning framework to enable secure and privacy-preserved collaborative IoT intrusion detection. We highlight and demonstrate the importance of sharing cyber threat intelligence among inter-organisational IoT networks to improve the model's detection capabilities. The proposed ML-based intrusion detection framework follows a hierarchical federated learning architecture to ensure the privacy of the learning process and organisational data. The transactions (model updates) and processes will run on a secure immutable ledger, and the conformance of executed tasks will be verified by the smart contract. We have tested our solution and demonstrated its feasibility by implementing it and evaluating the intrusion detection performance using a key IoT data set. The outcome is a securely designed ML-based intrusion detection system capable of detecting a wide range of malicious activities while preserving data privacy.

研究の動機と目的

• 機械学習ベースのIoT侵入検出システムにおける安全でプライバシー保護された協働の欠如に対処すること。
• 生のトレーニングデータを露呈せずに、組織間でのサイバー脅威インテリジェンス（CTI）の共有を可能にすること。
• 協働的モデルトレーニングを通じて、特にスパイや盗難攻撃などの未観測の攻撃クラスの検出精度を向上させること。
• ブロックチェーンとスマートコントラクトを統合して、フェデレーテッドラーニングにおけるモデル更新の信頼性、不変性、検証可能性を確保すること。
• クラウド・フォッグ・エッジトポロジーを活用したスケーラブルで安全なアーキテクチャを設計し、IoTエコシステムにおける実用的導入を可能にすること。

提案手法

• HBFLは、エッジ、フォッグ、クラウドのレイヤーを有する階層的フェデレーテッドラーニング（HFL）アーキテクチャを採用し、分散型モデルトレーニングを実現する。
• ローカルモデルは、組織固有のデータを用いてIoTデバイスでトレーニングされ、データプライバシーが保持される。
• モデル更新（勾配）はフォッグレベルのコンビナトリで集約され、その後クラウドレベルのリダクサに送信され、グローバルモデルの集約が行われる。
• 許可型ブロックチェーンは、すべてのモデル更新取引を保存し、学習プロセスの不変性と監査可能性を保証する。
• スマートコントラクトは、モデル更新が事前に定義された基準を満たしているかを検証し、グローバルモデルへの統合の可否を判断する。
• 本フレームワークは、フェデレーテッドモデル更新を通じて安全に脅威インテリジェンスを共有できる仕組みを提供し、組織間協働を可能にする。

(b) Centralised

実験結果

リサーチクエスチョン

• RQ1 ブロックチェーン統合付きの階層的フェデレーテッドラーニングフレームワークは、未観測のIoT攻撃クラスの検出精度を効果的に向上させることができるか？
• RQ2 分散型IoT環境における分散型AIベースのIDSにおいて、協働的脅威インテリジェンス共有は、検出性能をどの程度向上させるか？
• RQ3 スマートコントラクトとブロックチェーンの統合は、IoT侵入検出のフェデレーテッドラーニングにおける信頼性と検証可能性をどのように向上させるか？
• RQ4 提案されたHBFLフレームワークは、データプライバシーを保持するとともに、組織間での安全な協働を確保しながら、高い検出精度を維持できるか？
• RQ5 エッジ、フォッグ、クラウドのアーキテクチャレイヤーは、協働的IoT侵入検出のスケーラビリティとパフォーマンスにどのような影響を与えるか？

主な発見

• HBFLは、すべての攻撃タイプにおいて平均99.71%の検出精度を達成し、非協働的状況（60.53%および71.1%）を著しく上回った。
• DDoS検出のF1スコアは99.12%に達し、DoSの場合は99.93%に達しており、ほぼ完璧な検出性能を示した。
• スパイ攻撃は、非協働的環境では以前は58.85%のF1スコアにとどまっていたが、HBFLでは8ラウンドのトレーニング後、94.80%のF1スコアを達成した。
• 誤検出率（FAR）は、スパイ攻撃で0.05%にまで低下し、全攻撃タイプで0.12%未満に抑えられ、高い正確性を示した。
• HBFLは8ラウンド目で検出性能が安定化し、多様な攻撃タイプにおいて精度の低下が最小限に抑えられた。
• ブロックチェーンとスマートコントラクトの統合は、モデル精度に悪影響を及げず、検証可能で安全かつ不変なモデル更新を確保した。

(c) Federated