[논문 리뷰] Differentially Private Collaborative Intrusion Detection Systems For VANETs

Tao Zhang, Quanyan Zhu|arXiv (Cornell University)|2020. 05. 02.

Vehicular Ad Hoc Networks (VANETs)참고 문헌 46인용 수 6

한 줄 요약

이 논문은 ADMM 기반 분산 머신러닝을 사용하여 차량으로 이루어진 무선 네트워크(VANETs)를 위한 차별적 비밀 보장 협업 침입 탐지 시스템(PML-CIDS)을 제안한다. 이는 동적 차별적 비밀 보장을 보장하기 위해 이중 변수 노이즈 추가(DVP)를 도입하여 탐지 정확도와 개인정보 보호 간에 증명 가능한 트레이드오프를 달성한다. NSL-KDD 실험을 통해 검증되었다.

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.

연구 동기 및 목표

• 차량이 학습 데이터를 공유하는 협업 침입 탐지 시스템(CIDS)에서 발생하는 개인 정보 泄露 문제를 해결한다.
• 분산 학습 프레임워크에서 공유된 모델 업데이트로부터 발생하는 적대적 추론 문제를 극복한다.
• 원시 학습 데이터를暴露하지 않으면서도 탐지 정확도를 유지하는 확장 가능한 개인 정보 보호 머신러닝 아키텍처를 설계한다.
• 분산 CIDS 환경에서 보안(탐지 성능)과 개인 정보 보호(차별적 비밀 보장) 간의 공식적인 트레이드오프를 수립한다.
• 반복적인 분산 최적화에 적합한 동적 차별적 비밀 보장 메커니즘을 개발한다.

제안 방법

• 차량 간의 탈중앙화된 학습을 위해 분산 경험 리스크 최소화(ERM) 문제를 분할 정복 다중 승수 방법(ADMM)을 사용하여 수립한다.
• 각 ADMM 반복 과정에서 이중 변수에 보정된 노이즈를 추가하여 이중 변수 노이즈 추가(DVP)를 적용함으로써 동적 차별적 비밀 보장을 확보한다.
• 차별적 비밀 보장을 동적 환경으로 확장하여, 분산 최적화의 다중 반복 과정 동안에도 개인 정보 보호를 유지한다.
• 볼록 최적화를 사용하여 개인 정보 예산과 탐지 정확도 간의 트레이드오프를 모델링하고 분석한다.
• 지역 및 공유 지식을 활용하여 침입 탐지에 대한 강력한 분류기 학습을 위한 정규화된 ERM 프레임워크를 활용한다.
• 실제 네트워크 공격 시나리오를 시뮬레이션하기 위해 NSL-KDD 데이터셋을 사용하여 방법을 검증한다.

실험 결과

연구 질문

• RQ1 어떻게 차별적 비밀 보장이 반복적인 분산 머신러닝에 효과적으로 적용되어 VANETs의 학습 데이터 개인 정보 보호를 달성할 수 있는가?
• RQ2 이중 변수 노이즈 추가가 협업 침입 탐지 시스템의 수렴성과 정확도에 미치는 영향은 무엇인가?
• RQ3 탈중앙화된 CIDS 아키텍처에서 탐지 성능과 개인 정보 泄露 간의 근본적인 트레이드오프는 무엇인가?
• RQ4 ADMM 기반 분산 학습 프레임워크에서 동적 차별적 비밀 보장이 공식적으로 보장될 수 있는가?
• RQ5 실제 공격 조건 하에서 제안된 PML-CIDS는 비개인정보 기반 협업 학습과 비교해 정확도와 개인 정보 보호 측면에서 어떻게 다른가?

주요 결과

• 제안된 이중 변수 노이즈 추가(DVP) 방법은 ADMM 기반 분산 학습에서 VANETs에 대해 동적 차별적 비밀 보장을 성공적으로 제공한다.
• 이론적 분석을 통해 DVP는 모델 업데이트를 적대적으로 관찰하더라도 정량화된 개인 정보 예산을 보장함으로써 차별적 비밀 보장을 확보함을 입증하였다.
• NSL-KDD 데이터셋에 대한 수치 실험 결과, PML-CIDS는 높은 탐지 정확도(90% 이상 AUC)를 유지하면서도 강력한 개인 정보 보호 보장을 확보함을 입증하였다.
• 개인 정보 예산(ε)과 탐지 성능 간에 명확한 트레이드오프가 관찰되었으며, 더 높은 개인 정보 보호를 요구할 경우 정확도가 약간 감소하지만 수용 가능한 수준이었다.
• 네트워크 크기의 증가에 따라 잘 스케일링되며, 이중 변수에 노이즈를 주입함으로써 모델 역전환 공격에 대한 강건성이 확보되었다.
• 시스템은 원시 데이터를 공유하지 않고도 협업 학습을 가능하게 하여 저장 및 통신 오버헤드를 감소시키면서도 개인 정보 보호를 향상시켰다.