[논문 리뷰] Consensus based Detection in the Presence of Data Falsification Attacks

Bhavya Kailkhura, Swastik Brahma외 1명|arXiv (Cornell University)|2015. 04. 14.

Distributed Sensor Networks and Detection Algorithms참고 문헌 31인용 수 26

한 줄 요약

이 논문은 탈중앙화 감지 네트워크에서 데이터 위조(비잔틴) 공격을 완화하기 위해 강건하고 학습 기반의 분산 가중 평균 합의 알고리즘을 제안한다. 반복 학습을 통해 노드별로 특화된 파라미터를 추정하고 통계 모델 기반으로 국부적 융합 가중치를 적응적으로 조정함으로써, 최대 33%의 노드가 악성일 경우에도 네 번의 학습 반복 이내에 최적 성능에 가까운 감지 성능을 달성한다.

ABSTRACT

This paper considers the problem of detection in distributed networks in the presence of data falsification (Byzantine) attacks. Detection approaches considered in the paper are based on fully distributed consensus algorithms, where all of the nodes exchange information only with their neighbors in the absence of a fusion center. In such networks, we characterize the negative effect of Byzantines on the steady-state and transient detection performance of the conventional consensus based detection algorithms. To address this issue, we study the problem from the network designer's perspective. More specifically, we first propose a distributed weighted average consensus algorithm that is robust to Byzantine attacks. We show that, under reasonable assumptions, the global test statistic for detection can be computed locally at each node using our proposed consensus algorithm. We exploit the statistical distribution of the nodes' data to devise techniques for mitigating the influence of data falsifying Byzantines on the distributed detection system. Since some parameters of the statistical distribution of the nodes' data might not be known a priori, we propose learning based techniques to enable an adaptive design of the local fusion or update rules.

연구 동기 및 목표

• 탈중앙화 네트워크에서 기존 합의 기반 감지 기법의 데이터 위조(비잔틴) 공격에 대한 취약성을 해결하기 위해.
• 제거 또는 고정 임계값에 의존하지 않고도 비잔틴 영향을 완화할 수 있는 완전히 분산형이고 적응형 융합 규칙을 설계하기 위해.
• 일부 노드가 손상되었을 경우에도 전역 테스트 통계량을 국부적 계산으로 구현할 수 있도록 보장하기 위해.
• 노드 데이터 분포의 알려지지 않은 통계적 파라미터를 추정하여 적응형 가중치 조정을 가능하게 하는 학습 기반 기법을 개발하기 위해.
• 제안된 방법이 알려진 파라미터를 가진 최적 가중 융합과 유사한 성능을 몇 차례의 학습 반복 이내에 달성할 수 있음을 입증하기 위해.

제안 방법

• 각 노드의 통계적 행동에 기반해 적응형 가중치를 할당하는 분산 가중 평균 합의 알고리즘을 제안하여 비잔틴의 영향을 감소시킨다.
• 학습 단계에서 관측된 데이터를 바탕으로 가설 I₀ 및 I₁ 하에서 각 노드에 대한 혼합 모델 파라미터(가중치, 평균, 분산)를 추정하기 위해 반복 학습을 사용한다.
• 학습 단계에서 추정된 파라미터를 기반으로 최대우도 분류를 적용하여 정직한 노드와 비잔틴을 식별한다.
• 추정된 파라미터를 사용하여 정직한 노드 및 비잔틴 노드에 대한 최적 융합 가중치를 유도하며, 식 (20) 및 (21)에 의해 닫힌 형태의 표현식을 도출한다.
• 기대값 최대화 유사 단계를 통해 반복적으로 파라미터를 업데이트하며, 식 (14)–(18)은 구성 요소 가중치, 평균 및 분산을 업데이트하는 데 사용된다.
• 학습된 가중치를 합의 업데이트 규칙에 통합하여, 데이터 위조 공격에 강건한 전역 테스트 통계량으로 수렴하도록 보장한다.

실험 결과

연구 질문

• RQ1 데이터 위조 공격이 탈중앙화 네트워크에서 기존 합의 기반 감지의 성능에 어떤 영향을 미치는가?
• RQ2 비잔틴 노드를 제거하지 않고도 비잔틴 영향을 완화할 수 있는 완전히 분산형이고 적응형 합의 알고리즘을 설계할 수 있는가?
• RQ3 어떤 학습 기반 기법이 노드가 자신의 통계적 파라미터를 추정하고 실시간으로 융합 가중치를 적응시킬 수 있게 하는가?
• RQ4 제안된 학습 기반 기법이 최적 성능에 얼마나 빨리 수렴하는가?
• RQ5 네트워크 토폴로지와 공격 파라미터가 제안된 방법의 강건성과 수렴성에 어떤 영향을 미치는가?

주요 결과

• 제안된 학습 기반 가중 합의 기법은 네 번의 반복 이내에 최적 가중 융합 기법과 유사한 감지 성능을 달성한다.
• 비잔틴 노드가 네트워크의 최대 33%를 차지하더라도 이 기법은 임계값 기반 제거 방법보다 효과적으로 영향을 완화한다.
• 네 번의 학습 반복 후, 제안된 기법의 ROC 곡선은 최적 기법과 수렴하여 빠른 적응성과 높은 정확도를 입증한다.
• 통계 모델링과 파라미터 추정을 활용한 적응형 가중치 할당은 공격 상황에서 감지 신뢰도를 크게 향상시킨다.
• 공격 파라미터(예: Pᵢ=0.5, Δᵢ=9)가 비트리비얼할 경우에도 이 기법은 악성 데이터 위조에 강건함을 유지한다.
• 이 기법은 오직 이웃 노드 수준의 정보만을 사용하여 전역 테스트 통계량을 국부적으로 계산할 수 있어, 완전히 분산된 설계 조건을 충족한다.