[논문 리뷰] Blockchained Federated Learning for Threat Defense

Konstantinos Demertzis|arXiv (Cornell University)|2021. 02. 25.

Blockchain Technology Applications and Security참고 문헌 29인용 수 7

한 줄 요약

이 논문은 스마트 시티 네트워크에서 지능형 위협 방어를 위한 블록체인 통합 분산 학습 프레임워크를 제안하며, 암호화된 분산 모델 학습을 통해 기밀성 보장된 협업 기반의 고도화된 지속적 위협(APT) 탐지가 가능하도록 한다. 이 시스템은 블록체인 기반 스마트 계약을 사용하여 분산 학습 업데이트를 검증하고 감사함으로써, IIoT 트래픽 이상 현상의 높은 정확도 분류를 달성하면서도 참가자의 익명성을 유지한다.

ABSTRACT

Given the increasing complexity of threats in smart cities, the changing environment, and the weakness of traditional security systems, which in most cases fail to detect serious threats such as zero-day attacks, the need for alternative more active and more effective security methods keeps increasing. Such approaches are the adoption of intelligent solutions to prevent, detect and deal with threats or anomalies under the conditions and the operating parameters of the infrastructure in question. This research paper introduces the development of an intelligent Threat Defense system, employing Blockchain Federated Learning, which seeks to fully upgrade the way passive intelligent systems operate, aiming at implementing an Advanced Adaptive Cooperative Learning (AACL) mechanism for smart cities networks. The AACL is based on the most advanced methods of computational intelligence while ensuring privacy and anonymity for participants and stakeholders. The proposed framework combines Federated Learning for the distributed and continuously validated learning of the tracing algorithms. Learning is achieved through encrypted smart contracts within the blockchain technology, for unambiguous validation and control of the process. The aim of the proposed Framework is to intelligently classify smart cities networks traffic derived from Industrial IoT (IIoT) by Deep Content Inspection (DCI) methods, in order to identify anomalies that are usually due to Advanced Persistent Threat (APT) attacks.

연구 동기 및 목표

• 동적인 스마트 시티 환경에서의 제로데이 및 고도화된 지속적 위협(APT) 탐지에 있어 전통적인 보안 시스템의 한계를 해결하기 위해.
• 원시 데이터를 공유하지 않고도 분산된 IIoT 네트워크에서 위협 탐지를 위한 기밀성 보장 및 협업 학습 메커니즘을 개발하기 위해.
• 분산된 방식으로 신뢰성, 감사 가능성 및 모델 업데이트의 무결성을 확보하기 위해 블록체인 기술을 분산 학습과 통합하기 위해.
• 딥 콘텐츠 인spect(Deep Content Inspection, DCI)와 분산 학습을 조합하여 IIoT 트래픽에서 실시간으로 적응형 이상 탐지가 가능하도록 하기 위해.
• 스마트 시티 인프라의 다수의 이해관계자 간에 지속적이고 안전하며 협업 가능한 모델 개선을 지원하는 프레임워크를 구축하기 위해.

제안 방법

• 프레임워크는 원시 데이터를 교환하지 않고도 분산된 IIoT 디바이스 간에 기계학습 모델을 훈련시키는 분산 학습(FedAvg 등)을 활용하여 기밀성을 보장한다.
• 블록체인 기술은 암호화된 스마트 계약을 통해 모델 업데이트를 기록하고 검증함으로써 학습 과정의 투명성과 불변성을 확보한다.
• 각 클라이언트는 자체 데이터를 기반으로 로컬 모델을 훈련하고, 중앙 집중형 어그리게이터에게는 오직 모델 파라미터(기울기)만을 전송하며, 어그리게이터는 FedAvg 또는 유사한 분산 학습 집계 기법을 사용하여 이를 집계한다.
• 블록체인 상의 스마트 계약은 모델 검증 규칙을 시행하고 악성 업데이트를 방지하며, 암호화 해시 및 합의 기반 메커니즘을 통해 책임성 보장을 확보한다.
• 딥 콘텐츠 인спект(Deep Content Inspection, DCI)을 적용하여 네트워크 트래픽 패턴을 분석하고 APT나 제로데이 공격의 징후가 되는 이상 현상을 탐지한다.
• 분산 학습 파이프라인에 통합된 종단 간 암호화 및 차등 프라이버시 기법을 통해 참가자의 익명성과 데이터 기밀성을 보장한다.

실험 결과

연구 질문

• RQ1 어떻게 블록체인 기술을 분산 학습과 융합하여 협업 기반 위협 탐지에서 신뢰성과 무결성을 확보할 수 있는가?
• RQ2 블록체인 기반 분산 학습 프레임워크는 기밀성 보장을 유지하면서 IIoT 환경에서 APT 탐지 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 탈중앙화된 환경에서 모델 오염을 방지하고 집계된 모델의 신뢰성을 확보하기 위해 어떤 메커니즘이 구현될 수 있는가?
• RQ4 스마트 계약 통합이 분산된 위협 탐지 시스템에서 감사 가능성과 책임성 향상에 어떻게 기여하는가?
• RQ5 제안된 프레임워크는 스마트 시티 네트워크에서 진화하는 사이버 위협에 대응하여 실시간으로 적응형 학습을 지원할 수 있는가?

주요 결과

• 프레임워크는 딥 콘텐츠 인спект과 분산 학습을 통해 IIoT 트래픽에서 높은 이상 탐지 정확도를 달성하며, APT 및 제로데이 위협을 효과적으로 식별한다.
• 블록체인 기반 스마트 계약을 통한 암호화된 검증을 통해 모델 업데이트가 암호학적으로 검증되고 변조 방지되며, 시스템의 무결성이 향상된다.
• 원시 데이터가 로컬 디바이스에 그대로 유지되고 오직 모델 파arameter만 공유되므로, 분산 학습을 통해 참가자의 기밀성이 보장된다.
• 블록체인 기반 스마트 계약이 시행하는 검증 및 합의 메커니즘 덕분에 시스템은 모델 오염 공격에 대한 강건성을 보인다.
• 프레임워크는 분산 노드 간 지속적이고 적응형 학습을 가능하게 하여, 시스템이 진화하는 위협에 실시간으로 대응할 수 있도록 한다.
• 스마트 계약에 통합된 암호화 및 액세스 제어 기법을 통해 오직 인증된 실체만이 학습 과정에 참여하고 검증할 수 있도록 보장한다.