[论文解读] Differentially Private Collaborative Intrusion Detection Systems For VANETs

Tao Zhang, Quanyan Zhu|arXiv (Cornell University)|May 2, 2020

Vehicular Ad Hoc Networks (VANETs)参考文献 46被引用 6

一句话总结

本文提出了一种基于ADMM的分布式机器学习方法，在车载自组织网络（VANETs）中构建一种差分隐私协同入侵检测系统（PML-CIDS）。通过引入对偶变量扰动（DVP）技术，实现了动态差分隐私，建立了检测准确率与隐私保护之间的可证明权衡关系，并通过NSL-KDD数据集实验得到验证。

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.

研究动机与目标

• 解决车载自组织网络（VANETs）中车辆共享学习数据时存在的隐私泄露问题，尤其是在协同入侵检测系统（CIDS）中。
• 应对在分布式学习框架中，攻击者通过分析共享模型更新进行推理攻击的挑战。
• 设计一种可扩展的、隐私保护的机器学习架构，适用于VANETs，确保检测准确率的同时不暴露原始训练数据。
• 在分布式CIDS中，建立安全性（检测性能）与隐私性（差分隐私保证）之间的正式权衡关系。
• 开发一种适用于VANETs中迭代式分布式优化的动态差分隐私机制。

提出的方法

• 采用交替方向乘子法（ADMM）建立分布式经验风险最小化（ERM）问题，实现在车辆间的去中心化训练。
• 在每次ADMM迭代中，通过向对偶变量添加校准噪声，应用对偶变量扰动（DVP）技术，以确保动态差分隐私。
• 将差分隐私概念扩展至动态场景，确保在分布式优化的多个迭代过程中均保持隐私保护。
• 利用凸优化建模并分析隐私预算与检测准确率之间的权衡关系。
• 采用正则化ERM框架，结合本地知识与共享知识，训练出鲁棒的入侵检测分类器。
• 使用NSL-KDD数据集对方法进行验证，以模拟VANETs中真实的网络攻击场景。

实验结果

研究问题

• RQ1 如何在VANETs的迭代式分布式机器学习中有效应用差分隐私，以保护训练数据隐私？
• RQ2 对偶变量扰动对协同入侵检测系统收敛性与准确率有何影响？
• RQ3 在去中心化的CIDS架构中，检测性能与隐私泄露之间的根本权衡关系是什么？
• RQ4 能否在基于ADMM的分布式学习框架中，为VANETs中的动态差分隐私提供形式化保证？
• RQ5 在真实攻击条件下，所提出的PML-CIDS与非私有的协同学习方法相比，在准确率与隐私保护方面表现如何？

主要发现

• 所提出的对偶变量扰动（DVP）方法在基于ADMM的VANETs分布式学习中，成功实现了动态差分隐私。
• 理论分析表明，即使在攻击者观测到模型更新的对抗性环境下，DVP仍能确保具有可量化隐私预算的差分隐私。
• 在NSL-KDD数据集上的数值实验表明，PML-CIDS在保持强隐私保证的同时，检测准确率仍高达90%以上（AUC）。
• 观察到隐私预算（ε）与检测性能之间存在清晰的权衡关系，更高的隐私要求仅导致准确率轻微但可接受的下降。
• 该方法在不同网络规模下均表现出良好可扩展性，并因对偶变量中注入噪声，对模型反演攻击具有鲁棒性。
• 系统可在不共享原始数据的前提下实现协同学习，从而降低存储与通信开销，同时增强隐私保护。