[논문 리뷰] A VHetNet-Enabled Asynchronous Federated Learning-Based Anomaly Detection Framework for Ubiquitous IoT

Weili Wang, Omid Abbasi외 4명|arXiv (Cornell University)|2023. 03. 06.

UAV Applications and Optimization인용 수 4

한 줄 요약

이 논문은 고고도 플랫폼 정거장(HAPS)과 무인항공기(UAV)를 활용하여, 미분적 비밀유지와 CA2C 기반의 동시 최적화를 통해 장치 연결, UAV 선택, 궤도 계획을 통합한 전역 이상 탐지 모델을 공동으로 훈련하는 VHetNet 기반 이방형 분산학습(AFL) 프레임워크를 제안한다. 제안된 방법은 기준 방법 대비 높은 탐지 정확도, 낮은 에너지 소비 및 단축된 훈련 시간을 달성한다.

ABSTRACT

Anomaly detection for the Internet of Things (IoT) is a major intelligent service required by many fields, including intrusion detection, device-activity analysis, and security supervision. However, the heterogeneous distribution of data and resource-constrained end nodes present challenges for existing anomaly detection models. Due to the advantages of flexible deployment and multi-dimensional resources, high altitude platform stations (HAPSs) and unmanned aerial vehicles (UAVs), which are important components of vertical heterogeneous networks (VHetNets), have significant potential for sensing, computing, storage, and communication applications in ubiquitous IoT systems. In this paper, we propose a novel VHetNet-enabled asynchronous federated learning (AFL) framework to enable decentralized UAVs to collaboratively train a global anomaly detection model. In the VHetNet-enabled AFL framework, a HAPS operates as a central aerial server, and the local models trained in UAVs are uploaded to the HAPS for global aggregation due to its wide coverage and strong storage and computation capabilities. We introduce a UAV selection strategy into the AFL framework to prevent UAVs with low local model quality and large energy consumption from affecting the learning efficiency and detection accuracy of the global model. To ensure the security of transmissions between UAVs and the HAPS, we add designed noise to local model parameters in UAVs to achieve differential privacy. Moreover, we propose a compound-action actor-critic (CA2C)-based joint device association, UAV selection, and UAV trajectory planning algorithm to further enhance the overall federated execution efficiency and detection model accuracy. Extensive experimental evaluation on a real-world dataset demonstrates that the proposed algorithm can achieve high detection accuracy with short federated execution time and low energy consumption.

연구 동기 및 목표

• 유비쿼터스 IoT 시스템에서 이상 탐지에 있어 데이터 이질성과 자원 제약 문제를 해결하기 위해.
• 이방형 분산학습(AFL)을 통해 UAV 간에 탈중앙화되고 프라이버시를 보장하는 모델 훈련을 가능하게 하기 위해.
• UAV 궤도 계획, 장치 연결, UAV 선택을 통합 최적화 프레임워크에 통합함으로써 학습 효율성과 탐지 정확도를 향상시키기 위해.
• 미분적 비밀유지 기반의 WGAN-GP를 활용해 UAV와 HAPS 간의 모델 파라미터 교환을 안전하게 보장하기 위해.
• 제한된 차량 내 에너지 조건 하에서 UAV 보조 이상 탐지 시 에너지 소비와 훈련 지연를 최소화하기 위해.

제안 방법

• HAPS를 중심 공중 서버로, UAV를 로컬 모델 훈련을 위한 이동형 엣지 노드로 활용하는 VHetNet 아키텍처를 도입한다.
• 훈련 지연과 통신 오버헤드를 줄이기 위해, 각 라운드에서 부분적인 UAV 참여를 允허하는 이방형 분산학습(AFL)을 채택한다.
• 저품질 또는 고에너지 소비 UAV를 제외하기 위해 UAV 선택 전략을 도입하여, 전역 모델 수렴과 정확도를 향상시킨다.
• 로컬 모델 파라미터를 HAPS로 전송하기 전에 보정된 노이즈를 추가하여, 데이터 프라이버시를 확보하기 위해 미분적 비밀유지를 적용한다.
• 에너지 제약 조건 하에서 장치 연결, UAV 선택, UAV 궤도 계획을 동시에 최적화하는 복합행동 액터-크리틱(CA2C) 강화학습 알고리즘을 도입한다.
• 개선된 프라이버시 및 탐지 성능을 확보하기 위해, 로컬 이상 탐지 모델로 미분적 비밀유지 기반의 WGAN-GP를 사용한다.

실험 결과

연구 질문

• RQ1 유비쿼터스 IoT에서 데이터 이질성과 자원 제약 문제를 다룰 수 있는 탈중앙화 이상 탐지 프레임워크는 어떻게 설계할 수 있는가?
• RQ2 UAV 선택을 통한 이방형 분산학습이 UAV 보조 IoT 시스템에서 모델 수렴과 탐지 정확도에 미치는 영향은 어떠한가?
• RQ3 감지 성능에 영향을 주지 않으면서도, 모델 집계 과정에 효과적으로 통합될 수 있는 미분적 비밀유지는 무엇인가?
• RQ4 장치 연결, UAV 선택, 궤도 계획의 통합 최적화가 UAV 기반 분산학습에서 에너지 효율성과 학습 효율성 향상에 얼마나 기여하는가?
• RQ5 제안된 CA2C 기반 스케줄링 전략은 탐지 정확도, 에너지 소비, 훈련 시간 측면에서 기준 방법 대비 어떻게 비교되는가?

주요 결과

• 제안된 CA2C-AFL 알고리즘은 미리 보지 않은 테스트 데이터에서 가장 높은 탐지 정확도를 달성하여, DDPG-FL, DQN-AFL 및 독립형 모델을 모두 앞선다.
• CA2C-AFL 알고리즘의 평균 UAV 에너지 소비는 비교된 모든 알고리즘 중에서 가장 낮으며, 최적화된 궤도 계획과 선택적 모델 업데이트 덕분이다.
• CA2C-AFL 프레임워크는 평균 및 최대 훈련 실행 시간을 모두 감소시켜, 이방형 학습과 효율적인 UAV 하위집합 선택 덕분에 DDPG-FL 및 독립형 방법을 능가한다.
• 독립형 알고리즘의 탐지 정확도는 새로운 데이터셋에서 크게 떨어지며, 데이터 다양성 부족과 모델 교환 부재로 인한 일반화 능력 부족을 보여준다.
• DDPG-FL 알고리즘은 모든 UAV가 로컬 업데이트를 완료한 후에야 전역 집계가 가능하기 때문에, 가장 긴 훈련 시간을 기록한다. 이는 이방형 원칙을 위반한다.
• WGAN-GP 기반의 미분적 비밀유지 통합은 탐지 성능에 영향을 주지 않으면서도 모델 파라미터 전송의 안전성을 확보한다.